数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.

html） 1

数理統計学 講義ノート（2011 年，(電情＋医)/2 の 2 年用，担当：原隆）

（このノートは 2011 年 4 月現在の暫定版で，最初の部分しかありません．講義が進むに連れて，すこしずつ加筆
訂正されるでしょう．講義ノートの章立ては教科書とは異なります —— 教科書に比べて，かなり細切れ．
）

1 確率論の基礎
（教科書の第 2 章から入ります．
）まずは確率論の基礎（枠組み）から考えて行こう．

1.1 確率論の舞台 — 事象と標本空間1

現実の問題の「確からしさ」を議論するのはなかなか大変である．そこで，数学ではまず，現実から少し切り離
（確率そのものはもう少し後で導入）．以下のような「実験」2 を行うことを
した形で，考えやすい舞台を設定する．
考える．

例 1： コインを一回だけ投げる．

例 2： コインを２回投げる．
（この場合，２回続けて投げたものを一回の「実験」と考える．
）

例 3： さいころを一回だけ投げる．

例 4： さいころを２回投げる．

例 5： ５２枚あるトランプから一枚取り出す．
このような例では，まず，上の「実験」の結果は何通りかある．一回「実験」をやった場合にその結果が何にな
るかは分からないが —— だからこそ「確率論」がでてくる ——，少なくとも可能な結果の全体はわかっている．
そこで，以下の定義を行おう．

定義 1.1.1 「実験」をやる場合，可能な結果の全体からなる集合を標本空間（sample space）S と言う．標本

空間の元（つまり，一回の「実験」の結果になりうるもの）を標本点または根元事象と言う．

• 例１では S = {H, T }．ここで H は表が出ること，T は裏が出ることで，根元事象は T と H ．

• 例２では S = {(H, H), (H, T ), (T, H), (T, T )}．ここで例えば (T, H) は一回目に表，２回目に裏がでること．
• 例３では S = {1, 2, 3, 4, 5, 6}．ここで i はさいころの i の面が出ること（i = 1, 2, . . . , 6）
¯
• 例４では S = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), . . . , (6, 5), (6, 6)} = {(i, j)¯ i, j = 1, 2, . . . , 6}．
ここで (i, j) は一回目に i の面，２回目に j の面が出ること．
• 例５では S = { ハートのエース，ハートの２，ハートの３, . . .} と全部で５２個の要素からなる集合．

以下では有限な標本空間，および有限からのアナロジーで考えられる場合のみを考察する3 ．
さて，我々は根元事象のみに興味があるわけではない．たとえば例２で，
「一回目に表が出ること」を知りたかっ
たり，例３で「さいころで偶数の目が出ること」を知りたかったり，例５で「ハートが出ること（数字は問わない）」
を知りたかったりする．このような問いに答えるため，事象と言う概念を導入する．

定義 1.1.2 事象とは実験の結果が持っている性質のこと．数学的に厳密に言うと，事象とは単に標本空間の部
分集合，つまり「根元事象の集まり」のことである．なお，事象には空集合（起こり得ないこと），および標
本空間全体も含めて考える．

「部分集合」と言うと大げさだが，普通に我々の言っている「出来事」に相当していることを，下の例で納得さ
れたい．
1 教科書の 2.1 節，a) の 1)
2 「実験」と言っているが，
「観測」などと思った方が良い場合も含める
3 有限でない場合はいろいろとややこしい（＝数学的に面白い）ことが起こるが，すべて略
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 2

• 例１では可能な事象は ∅ （起こり得ない）, {H} （「表が出た」）{T } （「裏が出た」），S = {H, T } （「表ま

たは裏が出た」）．
• 例２での事象の例は（根元事象で無いものを書くと） {(H, H), (H, T )} （「一回目に表が出た（２回目は何で
も良い）」）， {(H, T ), (T, T )} （「２回目に裏が出た（１回目は何でも良い）」）， {(H, H), (T, T )} （「２回と
も同じ目が出た」）など．
• 例３では {1, 3, 5} （「奇数の目が出た」），{1, 2, 3, 4} （「４以下の目が出た」）など．
¯ ¯
• 例４では {(1, j) ¯ j = 1, 2, . . . , 6} （「１回目に１が出た」），{(i, j) ¯ i + j = 偶数 } （「１回目と２回目の数字
を足すと偶数」）など．
• 例５では { ハートのエース，ハートの２，ハートの３, . . . , ハートの１３ } （「ハートが出た」），とか { ハー
トの３，スペードの３，ダイヤの３，クローバーの３ } （「３が出た」）など．

事象を標本空間の部分集合として定義するのは，以下の事象の演算ともあっている．まず，２つの事象 E, F に
対して，その和事象を集合としての和集合 E ∪ F として，またその積事象を集合としての交わり E ∩ F として定
義する（事象の場合，E ∩ F を EF と略記することが多い）．日常言語に直せば，E ∪ F とは E または F のどち
らかが起こること，E ∩ F = EF とは E と F の両方が起こることを意味する．更に，E c を S\E （E の補集合）
をして定義し，E の 余事象と言う．これは日常言語では「事象 E が起こらないこと」に相当する．

• 例１で，E = {H}, F = {F } とすると，E ∩ F = ∅．これは「表と裏が同時に起こることは無理」という直

感にあっている．E c = {T } であるが，裏が出るというのは「表が出ない」ことでもあるから，これも余事象
の定義にあっている．また，E ∪ F = S であるが，これは「表または裏が出る」と言うのは要するに可能性
全部だから．
• 例２で，E = {(H, H), (H, T )}, F = {(H, T )}, G = {(T, H)}, D = {(T, T )} とすると，E ∩ F = {(H, T )}，
E ∩ G = ∅，E ∪ G = {(H, H), (H, T ), (T, H)} などとなる．また，Dc = E ∪ G であるが，確かに「『２回と
も裏』と言うことはない」という事象になっている．

なお，A ∩ B = ∅ の時，
「A と B は互いに背反」という．

1.2 数学における確率4
今までは単に確率をやる舞台を設定したにすぎない．これからいよいよ，
「確率」を割り振っていこう．
数学ではある意味で「天下りに」確率を定める．本当のところを言うと，確率の定め方そのものは数学の仕事で
はなく，実験の行い方に即して物理学・化学・心理学．
．．などに基づいて決めるべきものだ．しかし，通常は確率
を定めるところから始めることになる．
ただし，ここでどのような pj を選ぶか，は個々の問題に応じてうまく決めてやる必要がある．

• 例１で，コインが裏表同じように出やすいのなら，P (H) = P (T ) = 1/2 とするのが良いだろう．

• 例３で，さいころのどの目も同じように出やすいのなら， P (j) = 1/6 とすべし．しかし，イカサマさいころ
1 3
で 6 が出やすく，1 が出にくい，のなら，例えば P (1) = 12 , P (6) = 12 , P (2) = P (3) = P (4) = P (5) = 16 と
とるのが良いかも知れない．

今までの話を，標本空間が S = {e1 , e2 , . . . , eN } になる実験について一般化しておく（ej が根元事象）．上で見

たように，数学的に確率を決めるというのは，それぞれの根元事象の確率（起こり易さ） pj （j = 1, 2, . . . , N ） を
与えることである．それでこの根元事象の起こり易さ（確率）は現実をできるだけ反映するように決めるのだった．
しかし，この根元事象の確率 pj はいくつかの性質を満たすべきである．まず，これは確率だから 0 と 1 の間にな
いといけない．更に，S そのものというのは全事象だから（いつでも起こる）この確率は 1 であるべし．要するに

∑
N
0 ≤ pj ≤ 1, pj = 1 (1.2.1)
j=1
4 教科書の 2.1 節，a の 2) と c の一部
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 3

であればよい，ということになる．そして，根元でない事象 E = {e1 , e2 , e3 , . . . , em } については，

∑
m
（E の確率）= pj (1.2.2)
j=1

となるはずである．と言うのも，E とは 「e1 か，e2 か，. . . ，em のどれかが起こる」事象だから，それぞれの事

象の確率の和になるのが自然．
これが数学での確率論の出発点である．要するに
• 標本空間 S 上に根元事象の確率 pj を (1.2.1) を満たす形で与え，
• 根元事象でない一般の事象 E の確率を (1.2.2) で計算する．

それで，このルールを満たすものを全て確率と認めるのである．
（しつこいが，どのように pj を選ぶか，は個々の
問題に応じてうまく決める．
）
さて，上のように決めた「それぞれの事象の確率」はどんな性質を満たしているだろうか？上では根元事象から
確率を決めたが，そうでない場合 —— つまり，根元事象の和事象である色々な事象の確率から決めた方が楽な場
合 —— も（後でたくさん）出てくる．そのために，
（根元事象から出発しない場合にもなりたつ）抽象的な確率の
性質を公理としてまとめておく．

定義 1.2.1 (確率の公理) 標本空間 S が与えられたとき，S 上の確率（または確率測度）とは，以下を満たす

関数（数の組） P のこと：S の部分集合（事象） E のそれぞれについて値 P [E] が定まり，かつ

1. 全ての E ⊂ S に対して 0 ≤ P [E] ≤ 1 （確率は E を超えない）

2. P (S) = 1 （全確率は E ）
[ ]
3. E1 , E2 が排反，つまり 「E1 ∩ E2 = ∅」，のとき，P E1 ∪ E2 = P [E1 ] + P [E2 ]

なお，標本空間 S とその上の確率測度 P をあわせて確率空間と言う．

上の性質を満たしている P なら何でも確率と認めてしまおう，と言うわけ．しつこいけども，実際にどのような
P を採用するかは考えている具体的問題によって，適当に決める．

命題 1.2.2 確率について，以下が成り立つ（ベン図を書いて意味を確認しよう）．

P [E c ] = 1 − P [E] （E c は E が起こらない事象のこと） (1.2.3)

E⊂F =⇒ P [E] ≤ P [F ] (1.2.4)
P [E ∪ F ] = P [E] + P [F ] − P [EF ] (1.2.5)

根元事象から考えるよりも，他の事象から考えた方が確率を割り振りやすい例として，２枚のイカサマコインを
投げる場合を考えよう．2 枚のコインがあり，１枚目は表が p，裏が 1 − p の確率で出る．２枚目は表が q ，裏が
1 − q の確率で出る，としよう．
このとき標本空間は {(H, H), (H, T ), (T, H), (T, T )} である．さて，この４つの根元事象にどのように確率を割
るふるべきか，だが：１枚目と２枚目の出方は無関係と思うのが良いだろう（数学的には「独立」という；後述）．
すると，
P [１枚目が表] = p, P [２枚目が表] = q (1.2.6)

ととるのが良いのでは？これは根元事象の言葉では

P [{(H, H), (H, T )}] = p, P [{(H, H), (T, H)}] = q (1.2.7)

と言うことになるね．後，基本的性質から

P [{(T, H), (T, T )}] = 1 − p, P [{(H, T ), (T, T )}] = 1 − q (1.2.8)

数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 4

も言えているわけだ．でもこれだけでは４つの根元事象の確率は決まらない．実際，

P [{(H, H)}] = a, P [{(H, T )}] = b, P [{(T, H)}] = c, P [{(T, T )}] = d (1.2.9)

と書くと，上のは
a + b = p, a + c = q, c + d = 1 − p, b+d=1−q (1.2.10)
となって，不定方程式になる．でも，この場合はやはり余分な仮定をおくのが良いだろう．１枚目と２枚目が「独
立」なのなら，

P [{(H, H)}] = P [１枚目が表，２枚目も表] = P [１枚目が表] × P [２枚目が表] = pq (1.2.11)

と考えるのがよいだろう．その他も同様に考えると，

P [{(H, T )}] = P [１枚目が表，２枚目は裏] = P [１枚目が表] × P [２枚目が裏] = p(1 − q) (1.2.12)

P [{(T, H)}] = P [１枚目が裏] × P [２枚目が表] = (1 − p)q (1.2.13)
P [{(T, T )}] = P [１枚目が裏] × P [２枚目が裏] = (1 − p)(1 − q) (1.2.14)

となる．

1.3 数の数え方の復習（高校の復習）
（始めに）以下のようなことは頭から覚え込むのではなく，自分で納得して理解するようにすべし．まず記号を
導入する．

定義 1.3.1 • n > 0 に対して， ( ) n! := n · (n − 1) · (n − 2) · · · 3 · 2 · 1，また 0! = 1 と定義する．

n n!
• 0 ≤ k ≤ n に対して， := と定義し， 「二項係数」と呼ぶ．
k k!(n − k)! ( )
∑ r
n n!
• 0 ≤ ni (i = 1, 2, . . . , r), ni = n のとき， := を多項係数と言う．
i=1
n n n
1 2 3 · · · n r n 1 ! n 2 ! n 3 ! · · · nr !

さて，上の記号は何に使うかというと：1 から n までの数字を書いた n 枚のカードがあって，これから k 枚を

取り出す場合を考える．取り出し方（戻し方）に応じて，大体３とおりある．

Case 1: n 枚のカードから繰り返しを許して k 枚とり，その結果を並べる場合．この場合の結果は (a1 , a2 , . . . , ak )

と言う列になる（aj は j 番目に出たカードの目）．ここでそれぞれの aj は勝手に 1 から n の値をとれるので，結
果の総数（場合の数）は
n · n · n · · · n = nk (1.3.1)
となる．

Case 2: n 枚のカードから繰り返しを許さないで k 枚とり，その結果を並べる場合．やはり結果は (a1 , a2 , . . . , ak )

の形になるが，今回は aj は全て別のものにならざるを得ない．a1 は n 通り，a2 は a1 をよけるから (n − 1) 通り，
と考えて行くと，結果は
n!
n · (n − 1) · (n − 2) · · · (n − k + 1) = (1.3.2)
(n − k)!
となる．高校ではこの数を nPk と書いた．

Case 3: n 枚のカードから繰り返しを許さないで k 枚とるが，その順序は気にしない場合．やはり結果は case 2

のように (a1 , a2 , . . . , ak ) の形になるが，今は aj の順序を気にしない（順序が異なっても同じものと見なす）．従っ
て場合の数は Case 2 のものを 「k 個の数字を並べる並べ方」k! で割ったものになる：
( )
n! 1 n
× = = n Ck (1.3.3)
(n − k)! k! k

１つだけ，これらの応用例を挙げておく．この証明は帰納法でもできるし， Case 3 の数え方を使う方法もある．

数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 5

n ( )
∑ n k n−k
命題 1.3.2 (二項定理，高校でやったかな) 1 ≤ n では，(x + y) = x y ． n
k
k=0

Case 4. なお，補足的に Case 3 の一般化を考えておく．n 枚のカードを，それぞれ n1 , n2 , . . . , nr 枚のカードか

∑r
らなる r 個のグループに分ける場合（ i=1 ni = n）．この場合はまず n 枚から n1 枚を取り出し，次に n − n1 枚
から n2 枚を取り出し，次に n − n1 − n2 枚から n3 枚を取り出し． ．．と考えて
( ) ( ) ( ) ( )
n n − n1 n − n1 − n2 n! n
× × × ··· × 1 = = (1.3.4)
n1 n2 n3 n1 ! n2 ! n3 ! · · · nr ! n1 n2 n3 · · · nr

となることがわかる．

1.4 条件付き確率5
前回は確率を考える舞台（標本空間）とその上の確率の満たすべき性質，を導入した．これだけでは簡単すぎて
何をやりたいのか混乱した人もいるだろうから，もう少し自明でないものに進むことにする．ここでは「条件付き
確率」の概念を導入する．

定義 1.4.1 (独立な事象) 確率空間 (S, P ) 中の事象 E, F が，

P [E ∩ F ] = P [E] P [F ] （E と F が起こる確率は E, F それぞれが起こる確率の積） (1.4.1)

を満たすとき，F と E は独立な事象 であると言う．

日常言語で言えば，E と F が独立とは，E と F の起こり方が無関係（F が起こっても起こらなくても，E の起

こり方には影響がない）と言う場合にあたる（この事情は以下の「条件付き確率」を考えた方がわかりやすいかも）．

E, F が独立でない場合は F の起こり方が E の起こり方に影響しているわけだ．影響の度合いを測るため，

「条
件付き確率」を導入する．

定義 1.4.2 (条件付き確率) 確率空間 (S, P ) 中の事象 E, F を考える．P [F ] ̸= 0 の場合に，

P [E ∩ F ]
P [ E |F ] := (1.4.2)
P [F ]

を F の下で E が起こる条件付き確率 と言う．

（ベン図で感じをつかもう！）

註 1.4.3 E と F が独立の場合はもちろん，P [E|F ] = P [E] となる．これがまさに，E と F が独立なら，

「F が起
こっても起こらなくても E の起こる確率は変わらない」という意味である．

さて，P [E] そのものよりも P [E|F ] と P [F ] の方が良くわかる場合が往々にしてある．この場合（条件付き確率

の定義からすぐに出てくる式）
P [E] = P [E|F ] P [F ] + P [E|F c ] P [F c ] (1.4.3)

を用いて P [E] を計算することができる．条件付き確率そのものに興味がある場合もあるが，このような計算や後

述のベイズ推定において，条件付き確率を計算の中間段階として利用する場合も非常に多い．

例 2.A： 袋の中に赤玉が１０個，白玉が３個，黒玉が４個入っている．目をつぶって１つ取り出すとき：

1. 白が出る確率は？
2. 「出た玉は赤ではない」ことがわかった場合，取り出した玉が白である確率は？

5 教科書 2.1 節の b
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 6

1
例 2.B： 男と女の生まれる確率はずつとする．Ａさんちには子供が二人いる．
（まあ，探偵がこの家のことをい
2
ろいろと調べていると思って下さい．）
1. 二人とも男の子である確率は？
2. 「少なくとも一人が男の子だとわかっている」場合，二人とも男の子である確率は？

例 2.C： 袋の中に赤サイコロが 1 個，白のサイコロが 2 個入っている．白の方は普通の１∼６が書かれたサイコ

ロだが，赤の方は１，２，３が２つずつ書かれている変態サイコロである．この袋から目をつぶってサイコロを一
つ取り出して転がした．１の目が出る確率を求めよ．

例 2.D： （これはあくまで例．深読みはしないように）．僕はある大学で 200 人の学生に物理を教えているが，そ

のうちの４割は高校で物理を履修しており，残りの６割は未履修である．過去の経験から，僕の物理の講義に受か
る確率は，
「高校での物理既習者では 0.9，物理未修者では 0.3」と予測される．以上から，僕の物理の講義に受かる
学生は 200 人中何人くらいと考えられるか？

例 2.E： 2 個のサイコロ（6 つの面が 1/6 の確率ででるものとする）を一回ずつ転がすことを考える．2 つのサイ

コロの目が異なる場合，少なくとも一方が 6 をだした確率はいくらか？

1.5 ベイズの公式と推定6
ここでは条件付き期待値の，今までとは少し違った解釈を考えよう．これまでの解釈では P [F |E] は 「E が起
こったという条件の下で F が起こる確率」だったが，新しい解釈として 「E が起こったという情報を知った後で
F の確率をどのように設定する（見積もる）のがよいか」を示す式とも考えられる．この節では，このような解釈
に基づく推論を考える．
まずは，この節の議論の元になる公式を述べよう．

命題 1.5.1 (Bayes の公式) 確率空間 (S, P ) を考える．すると，E, F ⊂ S に対して

P [F ∩ E] P [E |F ] P [F ]
P [F | E] = = (1.5.1)
P [E] P [E |F ] P [F ] + P [E |F c ] P [F c ]
が成立する．事象が 3 つ以上の場合に一般化すると，事象 Fi （i = 1, 2, . . . , k ）が互いに排反（Fi ∩ Fj = ∅ for
∪
k
i ̸= j ），かつ Fi = S を満たすときは，
i=1

P [Fj ∩ E] P [E |Fj ] P [Fj ]

P [Fj |E] = = k (1.5.2)
P [E] ∑
P [E |Fi ] P [Fi ]
i=1

が成立する．

上の式は単に条件付き確率の定義
P [F ∩ E]
P [F |E] = (1.5.3)
P [E]
と (1.4.3) の一般化
∑
k
P [E] = P [E |Fi ] P [Fi ] (1.5.4)
i=1

を組み合わせただけのものであるから無理に暗記しない方がよい．P [E] の計算に (1.5.4) が不可欠な事例が多々あ

るから，応用上は非常に役立つ．また，解釈としても，左辺は E で条件づけているのに，右辺は Fi で条件付けて
いて，条件付けの立場が逆転しているように見えるのも面白い．
6 教科書の 2.1 節，d
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 7

残念ながら，時間の関係から，ベイズの公式を用いた面白い問題については詳しく述べることはできない．以
下に過去の講義で用いた例題をいくつか挙げるにとどめる．

まずは条件付き確率を使った全確率の計算

問 1.5.2 僕はある大学で 200 人の学生に物理を教えている．学生の

• ４割（= r1 ）は高校で物理 I, II を履修
• ２割（= r2 ）は高校で物理 I のみを履修
• 残りの４割（= r0 ）は物理を未履修

である．過去の経験から，僕の物理の講義に受かる確率は，
• 物理 I, II の既習者では 0.9（= p1 ），
• 物理 I のみの既習者では 0.6（= p2 ），
• 未修者では 0.3（= p0 ）

と予測される．以上から，僕の物理の講義に受かる学生は 200 人中何人くらいと考えられるか？

つづいてベイズ型の推定について

問 1.5.3 上の例 2.D や上の問 1.5.2 と同じ状況を考える．僕のクラスの A 君は健闘むなしく，僕の物理の単位が

取れなかった．A 君は高校で物理（I まで，II まで？）を履修してきたのだろうか？（物理 II まで履修して来た確
率はどのくらいと考えるのが妥当か？）

言うまでもないことであるが，上のような問いかけは余りにも安易である．単位が取れる — より正確には講
義内容が身につく — かどうかは多分に本人のやる気や努力によるわけで，高校時代にどれくらいやったかで
単純に推し量ることはできない．この問では現実的でないくらいの非常な単純化を行っていることには注意さ
れたい．
（将来，実際にこのような手法を用いる際にはくれぐれも単純化のしすぎに注意！）

上の２問が典型的な問題である．以下では数学的には同じ構造であるが応用としては異なった場面を述べる．

問 1.5.4 （再録）かなり稀な病気の血液テストを考える．このテストの誤差の入り方は，
• この病気にかかっている人をテストすると (1 − p) の確率で「病気だ」と正しく判定するが，残りの p の確
率で見逃してしまう
• 健康な人をテストすると (1 − q) の確率で「健康だ」と正しく判定するが，残りの q では（健康なのに）「病
気だ」と言ってしまう

となっている．さて，独立な疫学的調査から病気の人の割合は r であるだろうとわかっている（p, q, r はすべてゼ

ロに近いがゼロではない）．
僕の検査結果は陽性（病気だ）だった．僕が本当に病気である確率，健康なのに間違って病気と診断された確率，
をそれぞれ求めよ．

問 1.5.5 ○○科目の期末試験は（数学ではあり得ないことに）○×式の問題で，各問は m 個の選択肢から一つ正

解を選ぶ形になっています．A 君はかなり怠けていたので，実力で（つまり，まぐれ無しで）正しく答えられる確
率は各問毎に p であると思われます（P < 1/2）．答を正しく知っているときは勿論，A 君はその正解を答えます
が，答がわからないときはヤケクソで m 個の答から等確率で 1 個を選びます．さて，
1. ある一問に対して（まぐれであれ何であれ）A 君が正解を答える確率はいくらでしょう？
2. ある一問をテストしてみたところ，A 君は正解を答えました．このとき，A 君が実際に答を知っていた（ま
ぐれ当たりではない）確率はいくらでしょう？
3. 以上の結果を解釈せよ． どのような p, m の値の場合に「マグレ当たり」が多くなるか，考えてみよう．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 8

問 1.5.6 行方不明の飛行機を捜索中である．現在，墜落した可能性のあるのは 1, 2, 3 の３地区に限ること，およ

びこれらの３地区に墜ちている確率は等しい（つまり 1/3）こと，までは絞り込んだ．これから捜索に入るが，厳
しい気象条件のため，確実に見つけられる保証はない — 実際に i-地区に墜ちていたとしても，確率 pi で見逃すだ
ろうと思われる（pi ≪ 1）．
まず 1-地区を捜索したところ，飛行機は見つからなかった．この事実から，i-地区に墜ちている確率を推定せよ
（i = 1, 2, 3）．

問 1.5.7 (Laplace) i = 0, 1, 2, . . . , k と（非常に小さな）印が付けられた (k + 1) 個のコインが壺に入っている．

これらは非常にいびつなコインで，i 番目のコインを投げたときに表が出る確率は i/k となるように調節されてい
る．目隠しをしたままこの壺から一枚のコインを選んで実験をする．以下の問いに答えよ．

1. 取り出したコインを一回投げたところ，表が出た．このコインが i 番目のコインである確率はいくらか？
（i = 0, 1, 2, . . . , k ）
2. 取り出したコインを更に投げ続け，合計 n 回投げた．結果は全て表だった．このコインが i 番目のコインで
ある確率はいくらか？（i = 0, 1, 2, . . . , k ）
3. 取り出したコインを更にもう一回（つまり通算で (n + 1) 回目）投げる事にした．このとき，やはり表が出る
確率はいくらか？
4. 上の小問 2, 3 の答はそれほど簡単にならなかったかも知れない．そこでこれらの確率が k → ∞ の極限でど
うなるか，求めてみよう．結果は直感と合うだろうか？

（注）この問では，コインは最初に一枚取り出したら，同じ物を使い続ける．コインを何回か投げるとき，一回ご
との結果は独立だとする．また，コインについている印は大変小さいので，取り出したコインがどれかは見ただけ
ではわからないものとする．
（そうでないと，小問 2, 3 が面白くない．
）

問 1.5.8 ３人の射撃手（1, 2, 3）が 200m 離れた，同じ的を狙う．今までの練習成績から，射撃手 i が一発で的に

当てる確率はそれぞれ pi と考えられる（i = 1, 2, 3）．さて，３人が一発ずつ撃ったところ，的には丁度一発だけ当
たっていた．この当たった一発が射撃手 i のものである（つまり，他の二人ははずした）確率について，以下の問
いに答えよ．

1. まず，計算を始める前に，直感的に答を推定してみよう．
2. では，講義での説明に基づき，
「正しく」計算してみよう．
3. 2 の結果は直感とあっているか？例えば，p1 = 0.2, p2 = 0.4, p3 = 0.6 として，射撃手 1 が当てた確率はいく
らになっているか？（勿論，1, 2 の答が一緒になった人は立派なものである．僕にはこの結果は意外だったけ
どね．
）
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 9

2 確率変数と期待値
中心極限定理に入る準備として，
「確率変数」についての基本事項をまとめておこう．

2.1 確率変数（離散版）7
今まではランダムな事象を考えてきた（例：このクラスの学生から一人選んだら男であった，とか）．事象はそ
れが起こるか起こらないかの２通りしかない．しかし，実際には選ばれた標本の数値的な性質を問題にすることも
多い（例：選んだ学生の身長はいくらか）．
このような問題では（我々の注目する）実験の結果が数値で表されている．つまり，実験の結果としてランダム
な数値が出てくるわけだ．そこで，このようにランダムに値がきまる数値のことを確率変数と呼ぶ（ちょっとえー
かげん）．
確率変数には「離散的な確率変数」と「連続な確率変数」がある．まずは簡単な「離散的」なものから考える．
「離散的な確率変数」とはとびとびの（有限個の）値しかとらないもので8 ，例は以下の通り．

例 2.1.A： サイコロを一回振る実験を考える．X を出た目の数とすると，X のとりうる値は 1, 2, 3, 4, 5, 6 の６通

り．また，それぞれの値をとる確率は（マトモなサイコロなら）
1
P [X = 1] = P [X = 2] = . . . = P [X = 6] = (2.1.1)
6
と考えるのが自然だろう．また，Y を「出た目が４以下なら 0，出た目が５以上なら 10」である確率変数とすると，
Y のとりうる値は 0, 10 で，その確率は
4 2 2 1
P [Y = 0] = = , P [Y = 10] = = (2.1.2)
6 3 6 3

例 2.1.B： サイコロを２個振る実験を考える．Z を出た目の和とすると，Z のとりうる値は 2, 3, 4, . . . , 12 の１１

通り．また，それぞれの値をとる確率は（マトモなサイコロなら）
1 2 1
P [Z = 2] = , P [Z = 3] = = , （場合が多すぎて書ききれない） (2.1.3)
36 36 18
などとなる．
上の例でもわかるように，離散的な確率変数を記述するには「確率変数のとりうる値」と「それぞれの値をとる
確率」を全て与えれば良い．つまり，確率変数 X が x1 , x2 , . . . , xn の値をとりうる場合，X がそれぞれの xi をと
る確率，つまり P [X = xi ] （i = 1, 2, . . . , n）を与えればよいわけだ．

2.2 期待値と分散（離散版）9
では，確率変数が与えられたとき，この確率変数の分布をどのように特徴づけたらよいか，考えていこう．もち
ろん，完全に特徴づけるには，P [X = xi ] を（すべての xi について）与えないといけない．これは大変すぎるし，
そもそも，このようにすべてを知ったとして，分布の特徴がつかめるとは限らない．そうではなくて，もっと少な
い情報量で分布の特徴を捉えることを考えたいのだ．

定義 2.2.1 離散的な確率変数 X が x1 , x2 , . . . , xn の値をとり，その確率が

( ∑
n )
P [X = xi ] = pi もちろん， pi = 1 (2.2.1)
i=1

7 教科書の 2.2 節，a と b 前半

8 とびとびの値しかとらないけど，全体としては無限個の値をとりうる例もある．が，話を簡単にするため，ここはごまかした
9 教科書の 2.2 節, b 後半
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 10

と与えられているとする．このとき，X の期待値を

∑
n
E[X] := 〈X〉 := xi pi (2.2.2)
i=1

（数学では E[X] の記号を，物理などでは 〈X〉 の記号を用いることが多い．

により定義する． ）また，X の分散を
[( )2 ] [ ] 〈 〉 〈( )2 〉
2
Var[X] := E X − E[X] = E X 2 − E[X]2 = X 2 − 〈X〉 = X − 〈X〉 (2.2.3)

により定義する．その平方根
√
σ := Var[X] （これによると Var[X] = σ 2 となる）

を X の標準偏差と呼ぶ．

期待値とは，要するに平均値（ただし，pi の重みを用いた加重平均）のことであり，確率変数の分布の「中心」
を表す（どのような意味で中心かは要注意）．
分散とは平均からのズレ（の２乗）の平均だから，分散の平方根（標準偏差）が分布の「拡がり」を表す．

（少し脱線）事象 F の確率を期待値の形で書くことができる．すなわち，関数 I[F ] を


1 (F が起こるとき)
I[F ] := (2.2.4)
0 ( F が起こらないとき)

として定義すると，
P [F ] = E[ I[F ] ] = 〈I[F ]〉 (2.2.5)

となる．つまり，F の起こる確率は関数 I[F ] の期待値 なのである．

教科書の 2.2 節の c には，

「代表的な離散確率分布」が載っている．講義でも説明したが，各自で学修しておい
てもらいたい．

2.3 確率変数（連続版）10
「連続的な確率変数」とは文字通り，連続な値をとりうる確率変数だ．例を見るのが良いだろう．

例 2.3.A： X は区間 [0, 1] 内の全ての値を，同じ確率でとりうる確率変数である．

例 2.3.B： Y はこのクラスの学生を一人選んだ場合の学生の身長である（ただし，身長はいくらでも細かく測る
ものとする）．

例 2.3.C： Z は学研都市の駅で，福岡方面の地下鉄に乗る場合の待ち時間（ただし，時間を計る場合にいくらで
も細かく測定するものとする）である．
例 2.3.A では，X のとりうる値は連続無限個あり，これらの確率は同じと仮定しているから，X が特定の値（例：
X = 12 ）をとる確率はゼロだ．
（ゼロでなかったら，全確率が無限大になってしまう！）
このように，連続な確率変数を記述するには，離散的な確率変数のような P [X = xi ] を与えるやり方は使えな
い．仕方がないので， P [X = xi ] に相当するものとして，
∫ b
P [a ≤ X ≤ b] = f (x)dx (2.3.1)
a

のように，確率密度関数 f (x) を用いて積分の形で表すことにする．

10 教科書の 2.2 節，d
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 11

例 2.3.A の場合は f (x) = 1 である．例 2.3.B や例 2.3.C の分布関数は厳密にはわかりそうにないが，大体の感

じは書けそうだ．
離散的な場合と同じく，連続な確率変数に対しても期待値や分散を定義する．

定義 2.3.1 連続な確率変数 X （その確率密度関数は f (x)）に対しては，(2.2.2) の代わりに X の期待値を

∫ ∞
E[X] := 〈X〉 := x f (x) dx (2.3.2)
−∞

とするにより定義する．また，X の分散を
[( )2 ] [ ] 〈 〉 〈( )2 〉
2
Var[X] := E X − E[X] = E X 2 − E[X]2 = X 2 − 〈X〉 = X − 〈X〉 (2.3.3)

により定義する．その平方根
√
σ := Var[X] （これによると Var[X] = σ 2 となる）

を X の標準偏差と呼ぶ．

教科書の 2.2 節の e には，

「代表的な連続確率分布」が載っている．講義でも説明したが，各自で学修しておい
てもらいたい．

2.4 多変数の確率変数11
さて，確率変数が 2 つ以上ある場合を考えよう．まずは離散的な場合から始める．今，確率変数 X が値 x1 , x2 , . . . , xn
をとり，確率変数 Y が値 y1 , y2 , . . . , ym をとるとする．これらがそれぞれの値をとる確率は

P [X = xi かつ Y = yj ] = pij (2.4.1)

であるとしよう．
このとき，Y の値は気にしないで，X のみの分布に着目すると，

∑
m ∑
m
P [X = xi ] = P [X = xi かつ Y = yj ] = pij (2.4.2)
j=1 j=1

となる．これを X の周辺分布という．同様に，Y のみの分布は

∑
n ∑
n
P [Y = yj ] = P [X = xi かつ Y = yj ] = pij (2.4.3)
i=1 i=1

で与えられる．

期待値の重要な性質はその線形性である．大事なので，命題の形にまとめておく．
（線形性というと大げさだが，
要するに以下の命題にある関係式がなりたつということだ．
）

命題 2.4.1 確率空間 (S, P ) における確率変数 X, Y と実定数 a > 0 に対しては以下が成り立つ：

E[X + Y ] = E[X] + E[Y ] (2.4.4)

E[aX] = aE[X] (2.4.5)

11 教科書 2.3 節
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 12

Var[aX] = a2 Var[X] (2.4.6)

また，X と Y の共分散を
Cov(X, Y ) := 〈(X − 〈X〉)(Y − 〈Y 〉)〉 (2.4.7)

と定義すると，
Var[X + Y ] = Var[X] + Var[Y ] + 2Cov(X, Y ), (2.4.8)

もなりたつ．

註： これらの結果は X, Y の分布が独立でなくても，いつでも成り立つ．

Proof. 簡単のため，離散の場合のみを考える．X のとりうる値を xi （i = 1, 2, . . . , N ），Y のとりうる値を yj

（j = 1, 2, . . . , M ），それぞれの値をとる確率を P [X = xi かつ Y = yj ] = pij とおく．すると，
∑ ∑ ∑
E[X + Y ] = pij (xi + yj ) = pij xi + pij yj (2.4.9)
ij ij ij

∑
M
であるが， pij = P [X = xi かつ Y は何でも良い] = P [X = xi ] であるので，
j=1

∑ ∑
N (∑
M ) ∑N
pij xi = xi pij = xi P [X = xi ] = E[X] (2.4.10)
ij i=1 j=1 i=1

が成り立つ．同様に
∑
pij yj = E[Y ] (2.4.11)
ij

なので，E[X + Y ] = E[X] + E[Y ] が証明された．

次に，E[aX] については，

∑
N ∑
N
E[aX] = P [X = xi ](axi ) = a P [X = xi ] xi = a E[X]. (2.4.12)
i=1 i=1

また，Var[aX] については
E[(aX)2 ] = E[a2 X 2 ] = a2 E[X 2 ] (2.4.13)

であることと線形性から
( )2 ( )2 ( )2
Var[aX] = E[(aX)2 ] − E[aX] = a2 E[X 2 ] − aE[X] = a2 E[X 2 ] − a2 E[X] = a2 Var[X]. (2.4.14)

(2.4.8) も同様に証明できる．

確率変数 X と Y が任意の A, B ⊂ R に対して

P [X ∈ A かつ Y ∈ B] = P [X ∈ A] P [Y ∈ B] (2.4.15)

を満たすとき， X と Y は独立な確率変数と言う．X と Y が独立な場合には，

E[XY ] = E[X] E[Y ], Var[X + Y ] = Var[X] + Var[Y ] (2.4.16)

が成り立つ．

問 2.4.2 さいころを続けて n 回投げることを考える．この n 回のうちに出る異なった目の数を Nn としよう．Nn

の期待値はいくらか？（注：例えば 5 回投げたとき，(1, 3, 2, 1, 1) とでたら，異なった目は 1, 2, 3 なので，N5 = 3
と言うこと．
）
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 13

問 2.4.3 駅の切符売り場や銀行での行列の作り方を考える．窓口は M 個あり，全体で N 人のお客が並んでいる．

このとき，
1. 一列待ち：お客を一列に並べておいて，開いた窓口へ誘導していく
2. M 列待ち：お客を勝手に，それぞれの窓口に並ばせる

のどちらが良い（苦情が少ない）だろうか．待ち時間の期待値や分散を考えてみよう．

連続的な確率変数 X, Y がある場合には，その分布は同時密度関数f (x, y) を用いて表される．すなわち，

∫ b ∫ d
P [a < X ≤ b かつ c < Y ≤ d] = dx dy f (x, y)
a c

と書けるような関数 f を X, Y の同時密度関数という．また，Y の値を気にしないで X の分布のみを見る場合には，

つまり X の周辺分布は
∫ b [∫ ∞ ]
P [a < X ≤ b] = P [a < X ≤ b かつ − ∞ < Y ≤ ∞] = dx dy f (x, y)
a −∞

で与えられる．つまり，X の分布密度は ∫ ∞
f1 (x) = dy f (x, y)
−∞

である．
連続版の確率変数に対しても，期待値の線形性などの命題 2.4.1 はなりたつが，くりかえさない．

3 つ以上の確率変数がある場合も，同様に議論できるが，一言だけ注意を．確率変数 X, Y, . . . , Z が独立であると
は，これらの確率変数の分布が，それぞれの確率変数の周辺分布の積に分解することをいう．つまり，離散の場合
に書けば，
P [X = xi , Y = yj , . . . , Z = zk ] = P [X = Xi ] P [Y = yj ] . . . P [Z = zk ] (2.4.17)
となることをいう．

最後に，n 個の確率変数の和の期待値などについてまとめておく．まず，期待値の線形性から

〈X1 + X2 + · · · + Xn 〉 = 〈X1 〉 + 〈X2 〉 + · · · 〈Xn 〉 (2.4.18)

である．これは Xj が独立でなくても，いつでも成り立つ事はすでに強調した．特に，X1 , X2 , . . . が全く同じ期待

値をもつならば，
〈X1 + X2 + · · · + Xn 〉 = n 〈X1 〉 (2.4.19)
となる．つまり，n この和の期待値は期待値の n 倍になる．これは自然．
次に分散に移る．残念ながら，一般の n 個の確率変数の分散は簡単には書けない．Cov が一杯出て来るからだ．
しかし，確率変数がすべて独立ならば事情は簡単になる．この場合，Cov がすべて０になるので，

Var[X1 + X2 + · · · + Xn ] = Var[X1 ] + Var[X2 ] + · · · + Var[Xn ] (2.4.20)

と，分散も和に分解できる．特に，n 個の確率変数の分散がすべて等しいなら，

Var[X1 + X2 + · · · + Xn ] = nVar[X1 ] (2.4.21)

となる．するとこの場合，標準偏差については，
√ √ √
Var[X1 + X2 + · · · + Xn ] = n × Var[X1 ] (2.4.22)
√
となる．n 個の和であるのに，標準偏差は n 倍であることに注意しよう．
以前に， 「標準偏差は分布のバラツキの度合いを表す」事を注意した．上の結果によると，n この和の分布のバラ
√
ツキは n 倍ではなく， n 倍になる訳だ．この事実はこれから非常に重要になって来る．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 14

2.5 チェビシェフの不等式とその仲間12
今までにも，
「標準偏差は確率変数のばらつきの目安を与える」と言ったが，ここではもう少し定量的な議論を行
う．ここでも確率空間 (S, P ) 上の確率変数 X を考える．
まず，A ∈ R について
P [a ≤ X ≤ b] = 〈I[a ≤ X ≤ b]〉 (2.5.1)

であることに注意しておこう．ここで I[· · · ] とは，カッコの中の · · · が満たされているときに 1，満たされていな

いときに 0 である関数である．

命題 2.5.1 (マルコフの不等式) 正の値のみをとる確率変数 X と任意の正の数 a に対して，

〈X〉
P [X ≥ a] ≤ (2.5.2)
a
が成立．
（勿論，右辺の期待値が存在しないときは右辺には意味がないけど．
）

命題 2.5.2 (チェビシェフ の不等式) 確率変数 X の期待値を µ，分散を Var[X] と書くと，任意の正の数 a に

対して，
Var[X]
P [|X − µ| ≥ a] ≤ (2.5.3)
a2
が成立．
（勿論，右辺の分散が存在しないときは右辺には意味がないけど． ）

これらの不等式は勿論，右辺の期待値が存在しなければ意味がないが，存在する場合には（特に a → ∞ につい
て）強力なものになる．実際の応用については後述．
（証明の概略）これらの不等式は (2.5.1) を用いると簡単に証明される．マルコフの不等式なら

〈X〉 ≥ 〈X I[X ≥ a]〉 ≥ 〈a I[X ≥ a]〉 = a 〈I[X ≥ a]〉 = a P [X ≥ a]. (2.5.4)

チェビシェフの不等式なら
〈 〉 〈 〉 〈 〉
Var[X] = |X − µ|2 ≥ |X − µ|2 , I[X ≥ a] ≥ a2 I[X ≥ a] = a2 〈I[X ≥ a]〉 = a2 P [X ≥ a]. (2.5.5)

（以下はおまけ）調子に乗って似たような不等式を作ることもできる．例えば，
〈|X − µ|n 〉
P [|X − µ| ≥ a] ≤ (a > 0, n は任意の正の整数) (2.5.6)
an
同様に，任意の a, b > 0 に対して 〉 〈
eb|X−µ|
P [|X − µ| ≥ a] ≤ . (2.5.7)
eab
また，マルコフの不等式の仲間として，
（X が非負の値しかとらないとき）
〈 bX 〉
e
P [X ≥ a] ≤ ab (2.5.8)
e
など．

2.6 正規分布について13
正規分布とは一般に（µ を実数，σ は正の数として）
∫ b [ 1(x − µ) ]
1 2
P [a ≤ X ≤ b] = √ exp − dx (2.6.1)
a 2π σ 2 σ
12 教科書には該当部分はない
13 教科書の 2.4 節
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 15

（これは N (µ, σ 2 ) と書かれる．

を満たすような分布のことを言う． ）また，上のような分布をもった確率変数 X は
正規分布に従う確率変数という．
実際に計算してみるとすぐにわかることだが，上の正規分布の期待値は µ，分散は σ 2 ，標準偏差は σ である．

特に，µ = 0, σ = 1 の正規分布を「標準正規分布」とよぶ．通常
∫
e−y /2
x 2

Φ(x) := √ dy (2.6.2)
−∞ 2π
∫ ∞
e−y /2
2

と書く．以下に 1 − Φ(x) = √ dy のいくつかの値を載せておく：

x 2π

x 0 1 1.645 1.960 2 2.326 2.576 3 4

1 − Φ(x) 1
2 0.1587 1
20
1
40 0.02275 1
100
1
200 1.350 × 10−3 3.167 × 10−5

さて，積分の変数変換を用いると，一般の正規分布の分布確率を標準正規分布の分布確率から求めることができ
る．つまり，X が N (µ, σ 2 ) に従うときに，新しい確率変数

X −µ
Z := (2.6.3)
σ
を定義すると Z が標準正規分布になることが容易にわかる．もちろん，この場合 X と Z のズレを考慮して
[a − µ b − µ]
P [a ≤ X ≤ b] = P ≤Z≤ (2.6.4)
σ σ
とやる必要はあるが．
ともかく，このようなわけで，いろいろある正規分布は，標準正規分布になおして計算できる．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 16

3 大数の法則と中心極限定理
さていよいよ，推定や検定の基本となる「大数の法則」
「中心極限定理」について学ぶ．ここでは以下のような典
型的な問題を考える．
1
問 3.A：マトモ（表と裏が 2 の確率で出る）な硬貨を 10000 回投げたとしよう．表は何回くらい出るだろうか？も
ちろん，答は 0 回から 10000 回まで，どれでもアリだけど，このうちのどの答が一番ありそうだろうか？また，そ
のありそうな答えになる確率はどうだろう？

この節では上のような問題を主に考える．上では硬貨の例を取り上げたが，もっと一般に「独立な」実験の結果
を扱う．次の第 5 章以降では，このような問題の逆に相当する，以下の問題を考える．

問 3.B：ある硬貨を 10000 回投げたら，表が 4500 回出た．この硬貨が表を出す確率 p はどのくらいと考えられ

るか？
1
問 3.C：ある硬貨を 10000 回投げたら，表が 1000 回だけ出た．この硬貨はマトモ（表・裏とも確率 2 で出る）で
あると思って良いか？
これらの問題に共通するのは 独立な確率変数の和 の振る舞いを見ようとしていることである．以下に用語の
意味も含めて説明していこう．

3.1 大数の法則14
問 3.A を考える．我々は直感的に「表は 5000 回」と言いたくなるが，既に断ったように，5000 回きちんと出る
とは言えない．言えるのはあくまで「○○回以上が表になる確率はこのくらい小さい」
「出る回数は 5000 回を中心
にこのくらいでばらつく」などという確率評価である．
少しだけ抽象的になるが，定理の形で書いておく．まず，考える対象（独立な確率変数の和）を導入する．考え
∑
n
るのは X1 , X2 , X3 , . . . という確率変数の列で，特にその和 Sn := Xi を考える．硬貨を投げる例では，Xi は i
i=1
回目に投げた硬貨の結果（表なら Xi = 1，裏なら Xi = 0 と決める）で，この場合 Sn は「硬貨を n 回投げたとき
に表の出た回数」を表す．
更にここで，確率変数 X1 , X2 , . . . は「独立」かつ「同分布」だと仮定する．

確率変数 X1 , X2 , . . . が 独立であるとは，X1 の結果と X2 の結果と，X3 の結果と．

．．が全く無関係で
あることをいう．硬貨の例では，一回目の結果によって，２回目以降の結果が左右されない，などのこ
とを言う．一応正確な定義を書くと，確率変数 X が値 xi を確率 pi で，確率変数 Y が値 yj を確率 qj
でとる時（i = 1, 2, . . . , n，j = 1, 2, . . . , m），X, Y が独立であるとは，

P [ X = xi かつ Y = yj ] = P [X = xi ] P [Y = yj ] （確率が積になる）

ことを言う．
確率変数 X1 , X2 , . . . が 同分布であるとは，Xi がとりうる値とその確率が i によらず同じであること
を言う．

上のように書くとヤヤコシイが，要するに硬貨やサイコロを何回も投げる場合の i 回目の結果が Xi だと思えば

よい．
このとき，大数の法則は以下のようになる．

14 教科書 2.5 節の a
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 17

∑
n
Theorem 3.1.1 (大数の弱法則) 独立・同分布な確率変数の列 X1 , X2 , . . . と Sn := Xi を考える．Xi の
i=1
期待値を µ，Xi の分散を Var[X1 ] と書くと，
[S ]
n
Var[X1 ] < ∞ ならば lim P ̸= µ = 0 (3.1.1)
n→∞ n
が成り立つ（上のはちょっとえーかげんな書き方）．より正確にはどんな正の数 ϵ > 0 に対しても
[ ¯S ¯ ] Var[X ]
P ¯ − µ¯ > ϵ ≤
n 1
(3.1.2)
n n ϵ2
が成り立つ．

定理の形にするとややこしいが，要するに Sn /n は n → ∞ で µ に収束する と主張しているわけだ．これは我々

の直感を支持するものである．例えばマトモな硬貨を何回も投げると，大体半分くらいが表になるだろう．上の定
理は「硬貨を無限回（！）投げると，その半分くらいは表だよ」と主張していることになる．

（対数の弱法則の証明の “説明”）
Sn Sn
先週やったチェビシェフの不等式を確率変数 n に応用するだけなのだが，それには n の期待値と分散を計算
しないといけない．そこで，確率変数 X1 , X2 , . . . の和である Sn について，その期待値や分散がどうなるか，考え
てみよう．重要なので命題の形にまとめると：

命題 3.1.2 確率空間 (S, P ) における確率変数 X, Y と実定数 a > 0 に対しては以下が成り立つ：

E[X + Y ] = E[X] + E[Y ], E[aX] = aE[X] (3.1.3)

Var[aX] = a2 Var[X] (3.1.4)

また，X, Y が独立である場合には以下が成り立つ：

Var[X + Y ] = Var[X] + Var[Y ]. (3.1.5)

これを認めて対数の弱法則を証明しよう．上の線形性から
∑
n [S ]
n
E[Sn ] = E[Xi ] = nµ, E =µ (3.1.6)
i=1
n

および
∑
n [S ] 1 1
n
Var[Sn ] = Var[Xi ] = nVar[X1 ], Var = 2 Var[Sn ] = Var[X1 ] (3.1.7)
i=1
n n n
を得る．よってチェビシェフの不等式に代入して
[ ¯S ¯ ] 1 [ S ] Var[X ]
P ¯ − µ¯ > ϵ ≤ 2 VarVar
n n 1
= (3.1.8)
n ϵ n n ϵ2
（大数の弱法則の証明の説明終わり）

上の要点は，Sn の分散が n に比例してしか増えない（よって Sn /n の分散は 1/n に比例して n → ∞ でゼロ

に行く）ことである．分散（の平方根）というのは確率変数のばらつきの程度を表すから，分散がゼロになると言
うことは Sn /n がその平均値からばらつかない，ことを意味する．これが上の証明とチェビシェフの不等式の意味
だった．

（命題 3.1.2 の証明；興味のある人だけ見ればよい）X のとりうる値を xi （i = 1, 2, . . . , N ），Y のとりうる値を

yj （j = 1, 2, . . . , M ），それぞれの値をとる確率を P [X = xi かつ Y = yj ] = pij とおく．すると，
∑ ∑ ∑
E[X + Y ] = pij (xi + yj ) = pij xi + pij yj (3.1.9)
ij ij ij
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 18

∑
M
であるが， pij = P [X = xi かつ Y は何でも良い] = P [X = xi ] であるので，
j=1

∑ ∑
N (∑
M ) ∑N
pij xi = xi pij = xi P [X = xi ] = E[X] (3.1.10)
ij i=1 j=1 i=1

が成り立つ．同様に
∑
pij yj = E[Y ] (3.1.11)
ij

なので，E[X + Y ] = E[X] + E[Y ] が証明された．

次に，E[aX] については，

∑
N ∑
N
E[aX] = P [X = xi ](axi ) = a P [X = xi ] xi = a E[X]. (3.1.12)
i=1 i=1

また，Var[aX] については E[(aX)2 ] = E[a2 X 2 ] = a2 E[X 2 ] であることと線形性から

( )2 ( )2 ( )2
Var[aX] = E[(aX)2 ] − E[aX] = a2 E[X 2 ] − aE[X] = a2 E[X 2 ] − a2 E[X] = a2 Var[X]. (3.1.13)

(3.1.5) の証明はスペースの都合で略．

硬貨投げの例に戻って考えよう．この場合，E[Xi ] = 12 , Var[Xi ] = 1
4 であるので，大数の弱法則から
[ ¯S 1¯ ] 1
P ¯ − ¯>ϵ ≤
n
(3.1.14)
n 2 4n ϵ2
が得られる．

（練習問題）

問題 3.1.3 マトモな（どの面も同じ確率で出る）サイコロを何回も投げることを考え，i 回目に出た目を Xi で表す．

• Xi の期待値と分散，標準偏差を求めよ．
∑n
Sn
• Sn := Xi とするとき， の期待値と標準偏差を求めよ．
i=1
n
Sn
• 大数の弱法則を用いて，n → ∞ の時に がどのような値になりそうか，議論せよ．
n

問題 3.1.4 （少しムズイかも：次節へのつなぎ）３つの小問からなるテストがある．それぞれの小問は４つの選択
肢から１つの正解を選ぶ選択式である．全く勉強していない学生達が当てずっぽうでテスト問題に答えることを考
える．

• 一人の学生が当てずっぽうでこれらの問題に答えた場合，正解した小問の数を X で表そう．X の期待値と分

散，標準偏差を求めよ．
• N 人の学生がこのテストを受けた場合の正解された小問の総数を SN と書く．SN の期待値と分散，標準偏
∑
N
差を求めよ．（ヒント：i 番目の学生が正解した小問の数を Xi で表すと，SN = Xi とかける．
）
i=1
Sn
• 大数の弱法則を用いて，n → ∞ の時に がどのような値になりそうか（要するにこれらの学生達の平均点
n
はどのくらいか），議論せよ．

（上の問題では学生は互いに答案を見せあったりしないものとする — これは数学の言葉で何の条件を満たさせる
ためかわかるかな？）
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 19

3.2 正規分布と中心極限定理15
前節では大数の法則をやった．これは要約すると，

分散が有界な独立・同分布な確率変数 X1 , X2 , . . . の和を考え（Xi の期待値を µ），

∑
N [1 ]
SN := Xi とすると， lim P SN ̸= µ = 0 が成り立つ
N →∞ N
i=1
√
と言うものだった．更にその証明（チェビシェフの不等式を使った）によると，SN がその平均値の周りN くら
いのところに集中していった．そこで，集中していく様子をもっと細かく見たい，と思うのが人情であり．これに
答えてくれるのが中心極限定理である．この定理はこれからの検定・推定の議論の基礎になる，非常に重要なもの
である．

定理 3.2.1 Xi （i = 1, 2, . . .）を独立，かつ同分布な確率変数とし，その平均と，標準偏差をそれぞれ
√
µ := E[Xi ], σ := Var[Xi ] (3.2.1)

とする．このとき，
∑
N
1 ∑
N
( ) SN − 〈SN 〉
SN := Xi , ZN := √ Xi − µ = √ (3.2.2)
i=1
σ N i=1
σ N
を定義すると，任意の a < b に対して
[ ] ∫ b
e−x /2
2

lim P a ≤ ZN ≤ b = √ dx (3.2.3)
N →∞ a 2π

が成り立つ．

上の定理の主張をもう少し述べておく．SN や SN − N µ 自身は N 個のものの和だから，N が大きくなると（普

√
通は）大きくなる．けれども，SN − N µ の大きくなり方は N に比例するのではなく， N に比例する，と言うの
√
が前節までの話だった．そこで上の定理では SN − N µ を N で割ることによって ZN を定義した．こうすること
で，N → ∞ でも（大抵は）有限にとどまるような量を定義したわけである．それで，定理は，この ZN が N → ∞
で「標準正規分布」に近づいていくことを主張している．

本来ならばここで中心極限定理の証明をすべきだが，これはこの講義のレベルを遙かに超えている．代わりに実
例を挙げ，中心極限定理は証明無しに認めてもらうことにする．

二項分布
中心極限定理の一番簡単な例として，前回と同じく，コインを何回も投げることを考えよう．
（ただし，一回投
げたときに表の出る確率は p とする． ）i 回目に表が出れば 1，裏が出れば 0 となる確率変数を Xi と書くと，
1
∑N
SN = N i=1 Xi は N 回のうちで表が出た回数である．N 回のうち，丁度 m 回だけ表になる確率は
( ) ( )
[ ] N m N N!
P SN = m = p (1 − p)N −m , := N Cm := (3.2.4)
m m m! (N − m)!

と計算できる．上の分布を（パラメーターが p の）「二項分布」と言う．
（ここで上の導出を説明）．

さて，上の二項分布について平均と分散を計算してみよう．定義通りに行うと（q := 1 − p），

〈X1 〉 = 1 · p + 0 · (1 − p) = p, VarX1 = (1 − p)2 · p + (0 − p)2 · (1 − p) = p(1 − p) = pq (3.2.5)

15 教科書 2.5 節の b
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 20

であるので，中心極限定理に出てくる ZN は
SN − N p
ZN := √ (3.2.6)
pqN
となるはずである．実際に N → ∞ に従って ZN が正規分布に近づいていく様子は次ページに載せてある．
（標語
的には「二項分布は N が大きいときに正規分布に近づく」と言える．
）

問題 3.2.2 問 3.1.3 と同じく，マトモな硬貨を N 回投げる．表の出る回数が投げた回数の 49% から 51% に入る

確率を，中心極限定理を用いて考えたい．N = 100, 1000, 10000 に対して，この確率がどのような積分で表される
か，求めよ．
（注：積分そのものの値は計算できないと思うので，やらなくて良い．
）

問題 3.2.3 問 3.2.2 の続き．今度は「表の出る回数が投げた回数の 49% から 51% にほとんど確実に入る」ような

N を求めたい．
「ほとんど確実」と言うのはいい加減な書き方だから，具体的に「表の出る回数が投げた回数の 49%
から 51% に入る確率が 0.95 以上になる」ような，そんな N を求めよ．

中心極限定理の使い方について．

問 3.1.3. これはやるだけ，ね．
1
Xi は 1 から 6 までの値を確率 6 ずつでとるから，

1 7 〉 1〈 91
〈Xi 〉 = × (1 + 2 + 3 + 4 + 5 + 6) = , (Xi )2 = × (12 + 22 + 32 + 42 + 52 + 62 ) = , (3.2.7)
6 2 6 6
√
91 ( 7 )2 35 35
Var[Xi ] = − = , σ= (3.2.8)
6 2 12 12
で，Xi が独立であるから
〈 〉 [S ]
Sn 7 n 1 1 35
= 〈X1 〉 = , Var = Var[X1 ] = (3.2.9)
n 2 n n n 12

大数の弱法則から [¯ S ] 35
7¯ 1
P ¯ − ¯>ϵ ≤
n
× (3.2.10)
n 2 12 ϵ2 n
である．つまり， Snn は 7
2 に近づく．

問 3.1.4. これは二項分布になる．４項目から１つを当てずっぽうで選択する，のだから，小問の一つ一つに正解す
1
る確率は 4 と考えられる．各小問の結果が独立であると仮定すると，正解の数が i である確率は（i = 0, 1, 2, 3）
( )( ) ( )
3 1 i 3 3−i
P [X = i] = (3.2.11)
i 4 4

である．これから定義通りに計算して，
3 9 3
〈X〉 = , Var[X] = , σ= (3.2.12)
4 16 4
X の独立性から，
3 9
〈SN 〉 = N 〈X〉 = N, Var[SN ] = N Var[X] = N. (3.2.13)
4 16
3
大数の弱法則から平均の正解数は 4．

問 3.2.2. 中心極限定理を使うには，まず ZN を作らないといけない．i 回目に表が出れば Xi = 1，裏が出れば

∑N
Xi = 0 とすると，SN = i=1 Xi と書けるから，今までに考えてきた形である．さて，
1 1 1
〈Xi 〉 = , VarXi = , σ= (3.2.14)
2 4 2
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 21

であるから，中心極限定理にでてくる ZN は

SN − N 2SN − N
ZN = √ 2 = √ (3.2.15)
1 N
4N

となっている．さて，表が 49% から 51% 出る，と言うことは

¯S √
SN ¯ N 1 ¯¯ 1 ¯ ¯ N
0.49 ≤ ≤ 0.51 ⇐⇒ ¯ − ¯≤ ⇐⇒ ¯ZN ¯ ≤ (3.2.16)
N N 2 100 50
と言うことだ．だから，中心極限定理を少しええ加減に使うと，この確率は

[¯ ¯ √N ] ∫ 50N
√
[ SN ] dz
≤ 0.51 = P ¯ZN ¯ ≤ e−z /2 √
2
P 0.49 ≤ ≈ √ (3.2.17)
N 50 − 50
N 2π
√
N
となるわけだ．
（ヤヤコシイが，積分の上下は 50 ．
）N に具体的な数を入れると，
∫ 1/5
dz
  e−z
2
N = 100 なら  /2
√ ≈ 0.1585, (3.2.18)
−1/5 2π
∫ √10/5
dz
  e−z
2
N = 1000 なら  √
/2
√ ≈ 0.4729, (3.2.19)
− 10/5 2π
∫ 2
dz
  e−z
2
N = 10000 なら  /2
√ ≈ 0.9545, (3.2.20)
−2 2π

（最後の積分の値は数値的に出したもので，皆さんに対しては要求しない．
）

問 3.2.3. 今度は
∫ √
N
50 dz
e−z
2
√
/2
√ ≥ 0.95 (3.2.21)
− 50
N 2π
となるような N を求めればよい．この積分は手計算ではできないから，この前のプリントにあった Φ で書き直し，
表を使うしかない．定義から ∫ x
dz
e−z
2
Φ(x) = /2
√ (3.2.22)
−∞ 2π
であった．(3.2.21) の積分を上の Φ で表すには，一般に（講義で説明）
∫ b ∫ b ∫ a
−z 2 /2 dz −z 2 /2 dz dz
e−z
2
e √ = e √ − /2
√ = Φ(b) − Φ(a) (3.2.23)
a 2π −∞ 2π −∞ 2π

とするのが良い．特に a < 0 の場合は，対称性から

∫ ∫ ∞
dz dz
ae−z /2 √ e−z /2 √
2 2
= = 1 − Φ(−a) (3.2.24)
−∞ 2π −a 2π

を使う．結局，
∫ ( √N ) √ √ )
√
N
50
−z 2 /2 dz N N
√ e √ =Φ − {1 − Φ( )} = 2Φ( −1 (3.2.25)
− N
50
2π 50 50 50
となる．よって，(3.2.21) の条件は
( √N ) ( √N ) 1
2Φ − 1 ≥ 0.95 ⇐⇒ 1−Φ ≤ 0.025 = (3.2.26)
50 50 40
となる．前回のプリントの表を見ると，こうなるには
√
N
≥ 1.960   =⇒ N ≥ (50 × 1.960)2 = 9604 (3.2.27)
50
となる．まあ，余り細かいことを言っても仕方ないので，N ≥ 9600 ぐらい，と言うのが答え．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 22

4 推定と検定（おおざっぱに）
漸くこれで統計に入る準備が整った．この講義のもう一つのテーマである，
「推定と検定」に入ろう．

4.1 考える問題
以下の問題群を考えてみる．

問 4.1．コインを 10 回投げたところ，10 回も表が出た．どう見たってこのコインはイカサマ（表が出

やすい）と思うが，これは本当か？

正直この問には確実には答えることが出来ない．マトモなコインを投げても，たまたま全部おもてになることもあ
るから，確実にイカサマだとは結論できない．でも，常識的に考えて，ほとんど間違いなくイカサマだと思うよね．
どのくらいの確率でイカサマだと言えるか（言えないか），を考えるのが「仮説検定」の問題である．

問 4.2．上と同じ問題（10 回中 10 回とも表が出た）で，コインを一回投げて表が出る確率 p はどのく

らいと考えるのが自然か？

イカサマかどうか，の定性的な問だけでなく，どのくらいイカサマか，を問うのが上の問題である．この場合，p
の値をぴったりこれくらい，と言うことは出来ないだろう．出来るのはせいぜい，
「p は大体○○以上，××以下と
考えられる」と言う感じの，p の存在範囲（存在区間）を与える事である．これが「区間推定」の問題である．

以下ではこのような２つの問題を主に考える．もちろん，もっと複雑な状況を考えもするが，基本的なところは
これで尽きている．

4.2 仮説検定
まずは上の問 4.1 を考える．再掲するとこんな問題だった：

問 4.1．コインを 10 回投げたところ，10 回も表が出た．どう見たってこのコインはイカサマ（表が出

やすい）と思うが，これは本当か？

この問題を解くため，以下のように考えてみる．このコインがマトモかどうかを問題にしているのだから，マト
モだと仮定して 10 回表になる確率を計算し，その結果が大きいか小さいかでマトモかどうかを推定するのである．
具体的に計算すると，まともなコインを 10 回投げて 10 回とも表になる確率は，言うまでもなく
( 1 )10
≈ 9.77 × 10−4 ≈ 10−3 (4.2.1)
2
である．これは非常に小さい！でも問 5.1 では，こんなに小さい確率で起こるはずの事象が起こったと主張してい
る．この場合，以下の２通りの可能性があり，どちらかを排除することはできない：

a. コインはマトモなのだが，10−3 と言うような，小さな確率でしか起こらない事象が，たまたま起こってしまっ
たのだ．
b. いやいや，コインはそもそもかなりいびつで，表が出やすくできていた．そのために 10 回とも表になった
のだ．

しつこいが，確実にどちらかとは言い切れない．どちらも起こり得て排除できないことは，いくら強調してもしす
ぎることはない．ただし，前者の確率は非常に小さいので，a の立場をとるのは心情的にもかなり困難である．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 23

仮説検定ではこの心情的な見方の通りに判断し，上の立場 a は認めず，立場 b を採用する．つまり，

1. 9.77 × 10−4 なんて確率で起こるはずの事象は非常に起こりにくい．

2. でもそいつが実際に起こったんだ．
3. 実際に起こった事象に対して 9.77 × 10−4 などという確率を与えた確率計算は間違っている！
4. より正確には，その確率計算の元になった仮説「コインがマトモ」が，そもそもおかしい．だから，この仮説
「コインはマトモ」は葬り去られるべきだ，

と考えるのだ．

ここで少し言葉を導入すると共に，上でやったことを整理しよう．

• 上での本音は「このコインはイカサマだ」を主張することだった．この本音の主張を対立仮説と言う．
• しかし，上ではこの対立仮説そのものは扱わず，その否定命題16 の「このコインはマトモだ」に基づいていろ
いろと計算した．その結果，
「コインはマトモ」の仮説がおかしいと結論した．このように対立仮説の否定命
題（結果的に「その仮説はおかしい」と結論したいもの）を帰無仮説と言う．こう呼ぶのは上で見たとおり，
結果的に「この仮説はおかしい」と否定される（無に帰する）はずの命題だから．
• 帰無仮説を疑う際に使ったのは「（この帰無仮説で計算すると）起こった事象の確率がこんなに小さくなる．
でも，実際にこの事象が起こっている．だから，元の帰無仮説は許せない」という考えだった．この場合，
「ど
のくらい小さい確率の事象は起こるはずがないと判断するか」の境目を決めておく必要があり，この境目の値
を危険率（または有意水準）と言う．危険率は通常，α で表す．
通常，危険率は 0.05 または 0.01 くらいにとる．つまり，確率 5% または 1% くらいの事象は「あり得ない，
起こるはずがない」と判断し，その確率計算の元になった仮説を疑いにかかるのである．
• 言うまでもなく，危険率をどうとるかは，仮説検定を行う前に決めておくべきである．検定の結果を見て，
「い
やいや，危険率が高すぎたからもうちょっと下げよう」などとやるのは，自分の導きたい結論に（無意識のう
ちにでも）誘導している可能性が大だから，やってはいけない．

仮説検定についての，非常に重要な注意：
上の例では「コインはマトモ」という仮説が最終的に否定された17 ので，めでたしめでたしだった．つまり，こ
の場合，帰無仮説が否定（無に帰する）されたので，対立仮説が復活し，
「このコインはイカサマ」と結論できたわ
けである18 ．では，帰無仮説が否定できない場合はどうなるのだろうか？
例として，
「コインを 10 回投げると，6 回が表，4 回が裏であった」場合に，やはりイカサマかどうか考えてみよ
う．今までのように，
「コインはマトモ」を帰無仮説として計算してみると， 「6 回が表，4 回が裏」の確率は
( )( ) ( )
10 1 6 1 4 210
= 10 ≈ 0.2051 (4.2.2)
6 2 2 2

となる．確率 0.2 と言うのはまあ，５回に１回と言うことだから，そんなに珍しいことでもないわけで，これでは

もう，
「コインはマトモ」を否定する訳にもいかないだろう．では何が結論できるのか？
この場合，何も結論できない．もっと正確には，
「『コインはマトモ』の仮説（帰無仮説）を否定することはできな
い」が結論である．しかししかし，
（国会答弁ではないが），否定することはできないと言うのはほとんど何も言っ
ていないに等しい．
「コインはマトモ」を否定してやろうと思って計算したが，結果としては証拠不十分で結論が出
なかった，ということだ．特に，
「コインはマトモ」であると積極的に主張しているのでは決してない．
このように「帰無仮説が否定できない」場合は「何も結論できない」と考えるのが正しい．決して「帰無仮説が
採用できる」のではない，ことをしつこく強調しておく．

16 ここは，論理学の意味での厳密な否定命題になっていない場合もある．でもまあ大体否定命題と思って良い．時間があれば後述
17 非常にしつこいけども，
「否定された」とは言っても，これは「否定するのが確率的に自然である」という意味である．実際には「コインは
マトモ」なのに，間違ってこれを否定してしまっている可能性は，わずかではあるが，存在する
18 しつこいけども，もう一回．結論できたとは言っても，
「イカサマの可能性が高い」という結論である．確実にイカサマとは言い切れないの
は何度も強調した通りだ
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 24

しつこいけど，もう一つ注意．
上でもくり返し強調したように，帰無仮説を否定した場合（上の「10 回とも表ならマトモではない」）でも，この
結論が間違っている可能性はある．まともな硬貨だって，9.77 × 10−4 の確率では「10 回とも表」が出るわけだか
ら，これだけの確率で間違って「イカサマ」の烙印を押してしまうわけだ．上での「危険率」と言う呼び名は，正
にこれを指している．つまり，
「帰無仮説が正しいのにも関わらず否定してしまう」確率の目安が危険率なのだ．

少し用語の説明
以上の仮説検定では，以下の 2 種類の過った判断をする可能性がある：

• まず，
「本当は帰無仮説が正しいのに，帰無仮説が間違って棄却されてしまう誤り」を第一種の過誤という．危
険率はこの「第一種の過誤」が起こる確率である．コインの例で言えば，コインが本当は fair であるのに，た
またま 10 回続けて表になってしまい，
「fair ではない」と濡れ衣を着せてしまう場合が第一種の過誤にあたる．

• 次に，
「本当は帰無仮説は間違っているのに，実験結果がそれを否定するほど強くないために，帰無仮説を棄
却できなかった」場合もある．これを第二種の過誤という．コインの例では，
「このコインは表が出やすいよ
うに作ってあるのだが，10 回投げたら 5 回表になった」
（従って，コインをイカサマと見抜けなかった）よう
な場合が第二種の過誤にあたる．

いくつかの例題

問 4.3．コインを N 回投げたとき，N 回とも表が出た．このコインがイカサマである，と結論できる

ような N の範囲を，危険率 5% および 1% のそれぞれの場合について求めよ（対立仮説，帰無仮説を
明示して議論すること）．

問 4.4．コインを 10 回投げたら n 回表が出たという．このコインがイカサマであると結論できるよう

な n の範囲を，危険率 5% および 1% のそれぞれの場合について求めよ（対立仮説，帰無仮説を明示
して議論すること）．

4.2.1 片側検定，両側検定

上の例題の解答から始めよう．
問 4.3 の場合，対立仮説（本音）は「コインはイカサマ」，帰無仮説は「コインはマトモ」であるが，この「イ
カサマ」の意味が問題だ．想定しているのは「表が沢山出たから，このコインは表が出やすく作ってあるのでは？」
と言うような場合である．つまり，この場合の対立仮説は単に「イカサマ」と言うよりは，
「表が出やすい」または
「裏が出やすい」のどちらかと思った方が良い — この意味で対立仮説は厳密には帰無仮説の否定にはなっていない．
これは問 4.4 で問題になる．
帰無仮説の「コインはマトモ」を仮定して計算すると，N 回のうちで N 回とも表になる確率は 2−N である．こ
れが 0.05 より小さくなるのは N ≥ 5 の時で，この場合は危険率 5% で「イカサマ」と結論できる．同様に，N ≥ 7
なら危険率 1% で「イカサマ」と結論できる．

問 4.4 には非常に注意すべき所がある．その前に，X を表が何回出たか，の変数として，確率を計算しておくと

1 10 45
P [X = 0] = P [X = 10] = , P [X = 1] = P [X = 9] = , P [X = 2] = P [X = 8] = , (4.2.3)
1024 1024 1024
120 210 252
P [X = 3] = P [X = 7] = , P [X = 4] = P [X = 6] = , P [X = 5] = (4.2.4)
1024 1024 1024
である．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 25

さて，対立仮説（本音）「コインはイカサマ」，帰無仮説「コインはマトモ」の持っている意味は問 4.3 と同じだ

が，これが重要である．
例として，n = 9 だったとしてみよう．
「9 回表」となる確率だけを考えると，これは 1% より小さいから，
「コイ
ンはマトモ」の帰無仮説を棄却できるように見える．しかし，n = 9 の場合に棄却するのなら，n = 10 が出ても，
当然棄却すべきだろう．と言うわけで，この場合に問題になるのは
11
P [X ≥ 9] = ≈ 0.0107 (4.2.5)
1024
なのだ．これは 0.01 より大きいから，この場合，
「コインがマトモ」は棄却できないのだ！
このように考えると，危険率 1% で「イカサマ」と判断できるのは n = 0, 10 の時のみである．また，危険率 5%
の場合は，n = 0, 1, 9, 10 の時のみ「イカサマ」と判断できる．
（n = 2, 8 の場合は上と同じ理由で棄却できない．
）

上で「9 回表」の確率だけを考えず，
「9 回以上表」とした理由については，コインを 10000 回（または一億回）投
げることを考えると納得しやすい．この場合，投げた回数が非常に多いため，それぞれ特定の回数だけ表が出る確
率は非常に小さくなる．例えば，10000 回投げた場合に 5000 回表，の確率は 0.00798 くらいであって，1% より小
さい．ちょっと考えると「コインはマトモ」を棄却してしまいたくなるが，投げた回数の丁度半分しか表が出てい
ないのだから，このコインをイカサマと判断するのはおかしい．この場合，問題になるのは個々の確率の値ではな
く，結果（表の回数）がこの区間に入っていればおかしい（イカサマ）と言う区間（棄却域）の設定である．

問 4.3 も同じ問題であるが，この場合，全部表だったので，問題が表面化することはなかった．

言葉：
上の問のように，対立仮説がある区間の片側に出てくるような場合を片側検定と言う．両側に出る場合を両側検
定と言う．後者の例としては対立仮説が左右対称になっている場合，たとえば工場の製品が規格にあっているかど
うかの検定などが挙げられる．

4.2.2 中心極限定理との連携

以下の例題を考える（問 4.4 の 1000 回バージョン）．

問 4.6．コインを 10000 回投げたら n 回表が出たという．このコインがイカサマであると結論できるよ

うな n の範囲を，危険率 5% および 1% のそれぞれの場合について求めよ（対立仮説，帰無仮説を明
示して議論すること）．

この問題，10000 回も投げて一つ一つの n について確率を計算していると大変だから，中心極限定理を使う．今

回も n = 5000 を中心に片側の確率を考えて（以下，n < 5000 とする），

P [X ≤ n] < 0.01 （危険率） (4.2.6)

などとなるような n を求めたいわけだ．
さて，中心極限定理を使おう．コインがマトモだとすると（σ = 1/2），

2 ( N ) n − 5000
ZN = √ n− = (4.2.7)
N 2 50

が中心極限定理に出てくる ZN だ（N = 10000 だよ）．従って，中心極限定理のズルをすると

∫ (n−5000)/50
dz
e−z
2
P [X ≤ n] ≈ √ /2
−∞ 2π
∫ ∞
dz ( 5000 − n )
e−z /2 √
2
= =1−Φ . (4.2.8)
(5000−n)/50 2π 50
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 26

1 − Φ(x) の表から，危険率 1% の時には

5000 − n
≥ 2.326 =⇒ n ≤ 4880 (4.2.9)
50
（実は n = 5000 の両側であるから n ≥ 5120 くらいでもイカサマと
なら「イカサマ」と判断できることがわかる．
判断できる．
）
同様に危険率 5% ならば
5000 − n
≥ 1.645 =⇒ n ≤ 4920 (4.2.10)
50
または n ≥ 5080 くらいでイカサマ，と判断される．

問 4.7. ６面あるサイコロを 10000 回投げたら１の目が 2000 回も出た．このサイコロはイカサマと結論

できるだろうか？

4.3 区間推定
1
では問 4.2 に進もう．ここでも基本的な考え方は同じである．p = 2 だとしたらあり得ないほど確率が小さくなっ
たのは上で見た．ので，別の p の値をいろいろ設定し，
「10 回とも表」の確率が危険率を超えるような p の範囲を
求めればよい．答は当然，危険率の設定によるわけだが，ともかくまず，いろいろな p の値に対して，
「10 回とも
表」の確率を計算してみよう．

p の値 0.5 0.6 0.6309574 0.7 0.7411345 0.8 0.9 1.0

「10 回とも表」の確率 0.000977 0.00605 0.010000025 0.0282 0.050000034 0.107 0.349 1.0

これを見ると，もちろん，p が大きい方が「10 回とも表」が起こりやすくなっている．

（極めつけは p = 1 で，こ
1
の場合は絶対に「10 回とも表」だ．
）であるけども，p = 2 を含め，p が余り小さいと，
「10 回とも表」の確率はか
なり小さく，ほとんど起こり得ない．そこで危険率と相談しながら，
「起こりうる確率」になるような p の値を求め
ていく．
確率 0.01 とはかなり小さいが，ひとまずこれを危険率に設定しよう．要するに，0.01 以上の確率を持つ事象は
起こっても良い，と判断するわけだ．表を見ると，p ≥ 0.6309574 ぐらいでは「10 回とも表」の確率が 0.01 を超
えており，ここでは確率 0.01 以上で「10 回とも表」になりうる．つまり，
「10 回とも表」になったのはあり得る事
象で，従って元にした仮説 p ≥ 0.6309574 は許される．結果としてあり得る p の範囲は

危険率 1% では p ≥ 0.6309574

になることがわかる．同様に，

危険率 5% では p ≥ 0.7411345

となることもわかる．

これが区間推定の基本的な考え方である．要するに，起こった事象（問の場合は「10 回とも表」）が「あり得る
事象」になるような（つまり，その事象の確率が危険率を超えるような）パラメータの範囲を求めればよい．
（コイ
ンの例をもっと簡単に解く方法はあとで詳しく説明する．ここでは基本的な考えをわかればよい．
）

註： しつこいけども，もう一回強調しておく．上で推定された区間はあくまで「p がこの範囲なら『10 回とも表』

の結果と矛盾はない」と言うことで，それ以上ではない．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 27

4.4 より実用的な区間推定
問 4.4′ . あるコインを 400 回投げたら，220 回表，180 回裏が出た．このコインが表を出す確率 p はど
のくらいと考えるのが妥当か？

400 回中，220 回表なのだから，p ≈ 400

220
くらい，と推定するのは当然だ．しかし， 220
400 からどれくらい外れる可
能性があるのだろうか？ここを区間推定で考えたい．
少し状況を一般化しておく．これまでと同じように，独立，同分布の確率変数 X1 , X2 , X3 , . . . がある．コイン投
げの場合などと対応させるには，Xj が j 回目の実験の結果だと思えば良い．さて今，N 回実験をやって，その結
果が X1 , X2 , . . . , XN となったとしよう（確率変数と同じ記号を使うが混乱はないだろう）．この結果から，元の確
√
率変数の分布について何かを言いたい．特に，その期待値 µ = E[X1 ] や標準偏差 σ = Var[X1 ] について何が言
えるか？
ここで N 回の結果から作られる量を 2 つ，定義しておく．まず，

1 ∑
N
X̄N = Xj (4.4.1)
N j=1

を標本平均という．また，
1 ∑( )2
N
V̄N = Xj − X̄N (4.4.2)
N − 1 j=1

を不偏分散という．これらは N が正の整数なら
〈 〉 〈 〉
X̄N = 〈X1 〉 = µ, V̄N = Var[X1 ] = σ 2 (4.4.3)

を満たす．更に，これらに対しては大数の強法則がなりたつ．つまり，X̄N と V̄N は，N → ∞ で µ と σ 2 に収束す

るのである．
この事実から，N がかなり大きければ，µ の推定値として X̄N を用いようとするのは自然なことであろう．問題
は，この推定値がどのくらい正しそうか（言葉を変えれば，この推定値のまわりどのくらいの区間に真の µ があり
そうか）ということである．
そのために，中心極限定理を（少し誤摩化して）利用する．中心極限定理によれば，N 個の確率変数 X1 , X2 , . . . , XN
から新しい確率変数
1 ∑
N
( )
ZN = √ Xj − µ (4.4.4)
σ N j=1

を作ると，N → ∞ の極限で，この ZN は正規分布に従う，つまり，

∫
e−z /2
b 2

lim P [ a < ZN < b ] = √ dz (4.4.5)

N →∞ a 2π

ということであった（ただし，µ と σ は今のところ未知）．上の等号はあくまで極限でしか成立が保証されていな
いが，ここで大胆に，極限をとる前でも等号がなりたつとむりやり思ってみよう：
∫
e−z /2
b 2

P [ a < ZN < b ] ≈ √ dz (4.4.6)

a 2π

さらに，ここに出ている ZN は N 回の実験結果 X1 , X2 , . . . , XN から作られたものだと考えてみる．すると，ZN

の定義から
√
√ ∑
N
( ) N( )
σ N ZN = Xj − µ = N X̄N − N µ =⇒ ZN = X̄N − µ (4.4.7)
j=1
σ

の関係があることがわかる．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 28

さて，我々は，得られた実験結果から作った上の ZN が，P [ a < ZN < b ] ≥ 1 − α を満たしてほしい —— 満た

さないような場合は，非常に起こりにくいものとして棄却する．ここで中心極限定理を無理矢理適用すると，この
ような a, b は
∫
e−z /2
b 2

1−α= √ dz (4.4.8)
a 2π
となるような a, b で与えられる．このような a, b は a = −b にとるのが自然であるから，実際には，
∫
e−z /2
b 2

1−α= √ dz (4.4.9)
−b 2π
となる正の数 b を一つ決めると，|ZN | < b でなければならない，ということになる．これを X̄N と µ の言葉に直
すと √
N ¯¯ ¯ ¯ bσ
X̄N − µ¯ < b つまり |X̄N − µ¯ < √ (4.4.10)
σ N
となる．もし，我々が何らかの理由で σ を知っているなら，上式から直ちに µ の推定範囲が定まる．
実際には，σ はわからないことが多い．この場合には，次節の t-分布を用いることが多いが，N が大きければ，
以下のようにも議論できる．すなわち，対数の強法則によれば，V̄N は N → ∞ で σ 2 に収束するのである．よって，
√
上の式の σ を V̄N でおきかえてしまっても良いかもしれない．こうすると，µ の推定範囲として以下を得る．
√
¯ V̄N
|X̄N − µ¯ < b (4.4.11)
N

4.5 更に進んだ話題
問 5.5．福岡の高校一年生（男子）の平均身長を求めたい．全員を計るのは大変なので，天神で 100 人
を捕まえて計ったところ，平均が 170 cm だった．福岡の高校一年生（男子）の平均身長はどのくらい
と考えられるか？

前に宣言したように，この問はそのままでは解けない．というのは元になる分布（高校生の身長の分布）の分散
がわからないからである．ここを無理矢理，不変分散で置き換えてしまう方法を前節では紹介した．
この節ではもう少し良い方法 — t-分布 — を紹介する．

まず，中心極限定理の主張は，Xi が独立・同分布で各 Xi の期待値が µ，分散が σ 2 なら，

1 ∑
N
ZN := √ (Xi − µ) (4.5.1)
σ N i=1

は（N → ∞ で）正規分布に従う，ことだった．さてここで上の ZN に似ているけども少しだけ違う，

√
1 ∑N
N ∑N
1 ∑(
N
)2
YN := √ (Xi − µ) = (X̄N − µ), X̄N := Xi , V̄N := Xi − X̄N (4.5.2)
N V̄N i=1 V̄ N i=1
N − 1 i=1

（元々の Xi が独立・同分布で，何かの正規分布に従うならば），YN は
を考える．すると非常に都合の良いことに，
自由度 (N − 1) の t-分布 と呼ばれる分布に従うことがわかる．t-分布が具体的にどんな分布かは教科書や参考書を
見てもらうことにして，ここでは t-分布の利点だけを強調しておく．
(4.5.1) を見ると，右辺には未知の量が２つ（µ と σ ）入っている．高校生の問題では µ を求めたかったのだが，
σ （高校生全体の標準偏差）がわからない限り手が出せない．ところがところが（！）(4.5.2) の YN の表式の右辺
には，未知の量は µ 一つしか出ていない！σ の代わりに V̄N という量が出ているが，これは X̄N 同様，標本（100
人の高校生）から計算できる量である．
つまり，t-分布のウリは，σ がわからなくても何とかなる，ところにあるわけだ．実際の応用では個々の Xi は正
規分布に従わない場合がほとんどだが，そこは中心極限定理と同じノリで，N が大きければ YN が t-分布に従うと
みなしても良いわけだ．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 29

5 推定と検定（各論）
前節で推定，検定のおおざっぱなところを述べたので，この節では，個々の状況に応じて，実際にどのように使っ
て行くかをまとめて行く．

5.1 1 標本問題（自由度大）
（この節は教科書の 3.2 節に相当する．
）
まず，一番簡単な実例として，一標本問題を考える．ただし，中心極限定理を使いたいので，大標本の（＝標本
の大きさが大きい）場合を考える．

5.1.1 平均の推測（大標本 — 母分散は標本分散で置き換え)

（概要）標本の大きさが大きい場合を考える．この場合，母分散を標本分散で近似して良いので，話がかなり簡
単になる．母分散も推定する方法は後で述べる．
（状況の例）非常に大きな母集団（例：日本人の 20 歳男子の全体）がある．そこから n 人を取り出して身長を
測った．この測定結果から，日本人 20 歳男子の全体の身長の平均を知りたい．

（用語）

• 取り出して測った n 人を標本，n を標本の大きさ，n 人の平均を母平均という．

• 一方，元になった集団（日本人の 20 歳男子の全体）を母集団，母集団の平均を母平均という．
• 分散，標準偏差についても，標本のものか，母集団のものかを，
「標本」や「母」を頭に付けて区別する．
• この節で考える問題は，標本の大きさ n の標本でのデータから母集団の母平均を求めよ，ということである．

上の状況で，n をどう呼ぶかには用語の混乱がある．この n は正しくは「標本の大きさ」

「標本サイズ」という
らしい．しかし，人によっては，これを「標本数」ということもあり，実際，教科書の一部にはそう書いてあ
る部分がある．一方で，標本数というのは，n 人とりだすことを何セット行ったか，の「何セット」を意味する
場合もあり，混乱の元である．この点を考え，6/30 の講義以降では，n は「標本の大きさ」ということにした．
なお，上の状況では，
「n 人からなる 1 セット」を取り出している訳だが，これを無理矢理，1 人からなる標本
を n セット取り出した，と思えない事もない —— ただし，その際には，同じ人が２回以上入ってしまう事も
あるから，厳密には「n 人 1 セット」とは少しズレるのだが．この意味で，
「標本数 n」と言っても，そんなに
おかしな事にはなっていない．用語が混乱しがちな理由はこの辺りにも原因があるように思う．
また，慣習として，大文字 N は母集団のメンバーの数を表す事がおおく，標本の大きさは小文字の n にする事
が多い．この点を考慮し，教科書にも併せて，小文字の n を使う．

（更に用語）標本平均や標本分散などは，以下のように定義する．標本の大きさ n の標本を考える．測定してい
る量（今の例なら身長）のデータが n 個あるから，それを xj （j = 1, 2, . . . , n）とする．このとき

1∑
n
1∑
n √
µ̄ = 標本平均 := xj , V̄ = 標本分散 := (xj − µ̄)2 , σ̄ = 標本標準偏差 := V̄ (5.1.1)
n j=1 n j=1

と定めておく（教科書では，標本平均は X̄ ，標本標準偏差は S と書いている）．我々の問題は，上のようにデータ

から求まる標本平均などを用いて，母集団の平均を推定せよ，ということだ．

（解法）中心極限定理と大数の法則を近似的に使いまくる．
µ̄ の分布がどうなるかを考えてみると，大数の法則と中心極限定理より，平均値 µ，分散は σ 2 /n の正規分布にな
∑n
る（少なくとも n が大きい場合）はずである —— 分散を n で割っている理由は， j=1 Xj の分散は nσ 2 である
ので，それを n で割った µ̄ の分散は nσ 2 /n2 になるからである．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 30

このままでは，σ が未知なので困るのだが，n が大きければ，母集団の標準偏差 σ と標本の標準偏差 σ̄ はかなり

近いと考えて良い．従って，
µ̄ − µ √ µ̄ − µ
Z ′ := √ = n× (5.1.2)
σ̄/ n σ̄
は，大体，標準正規分布と思っても良いだろう．従って，この Z ′ は確率 0.95 で，

|Z ′ | < 1.96 (5.1.3)

の範囲にあると思って良いだろう．これを元の変数に直すと，
¯√ µ̄ − µ ¯¯ 1.96 × σ̄
¯
|Z ′ | < 1.96 =⇒ ¯ n× ¯ < 1.96 =⇒ |µ − µ̄| < √ (5.1.4)
σ̄ n

となる．最後の式が，確率 0.95 で，母平均 µ の推定区間を与える式である（我々の持っているデータは µ̄, σ̄ であっ

たことを思い出そう）．

（用語）上の推定区間を µ の 95% 信頼区間 という．つまり，

（有限の n なのに中心極限定理を用いてごまかした
ところは目をつぶったとして）確率 0.95 で上の範囲の中に µ が入ってるよ，というわけだ．残りの 0.05 の確率で
上の区間からはみ出しているわけだが，これはマア，推定や検定にはつきものなので，仕方ないと考える．
なお，0.95 という確率では足りない，もっと信頼度を上げたい，というのであれば，
「99% 信頼区間」を考えるこ
ともある．この場合は，上の 1.96 の代わりに，2.576 をとればよい．

5.1.2 平均についての仮説の検定（大標本 — 母分散は標本分散で置き換え)

やっていることは先の小節と全く同じである．
先の小節と同じ状況（n 人の身長を測った）を考え，
「母平均 µ は 175cm である」などという仮説が正しいかど
うかの検定を考えてみよう．175cm を一般に µ0 と書くことにすると，検定したいのは

H0 : µ = µ0 である (5.1.5)

という仮説（帰無仮説）である．
（有意水準が 5%の場合を考える．
）この仮説が正しいとするならば，
µ̄ − µ0 √ µ̄ − µ0
Z ′ := √ = n× (5.1.6)
σ̄/ n σ̄

は標準正規分布と思って良いはずだ．そこで，対立仮説を適切にとって，検定を行う．
(a) 両側検定，つまり対立仮説が H1 : µ ̸= µ0 の場合は Z ′ が 0 から両側に遠くはなれていて，その離れ具合が確
率 0.05 以下なら，H0 を棄却する．具体的には
1.96 × σ̄
|Z ′ | > 1.96 つまり |µ0 − µ̄| > √ (5.1.7)
n

ならば，H0 を棄却し，µ ̸= µ0 と結論する．

（ただし，しつこく強調したように，実は µ = µ0 なのに，濡れ衣をき
せて H0 を棄却してしまった可能性は 5% くらいある）．
(b) 片側検定，つまり対立仮説が H1 : µ > µ0 の場合は Z ′ が正の方に大きくて，その実現確率が 0.05 以下なら，
H0 を棄却する．具体的には
1.65 × σ̄
Z ′ > 1.65 つまり µ̄ − µ0 > √ (5.1.8)
n
なら H0 を棄却して，µ > µ0 と結論する．
(c) 片側検定の H1 : µ < µ0 の場合には，
1.65 × σ̄
Z ′ < −1.65 つまり µ̄ − µ0 < − √ (5.1.9)
n

なら H0 を棄却して，µ < µ0 と結論する．

数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 31

5.1.3 比率の推定（二項分布を仮定）

（状況）表が出る確率が p であるコインを n 回投げたら，m 回，表がでた．表の出る確率 p を推定したい．

（状況 ′ ）ある工場での製品 n 個中，m 個が不良であった．この工場での不良率 p を推定せよ．

（解法）コイン投げの例で考える（工場の例でも全く同じ．適宜，読み替えて下さい）．最も単純には， n 回中
m 回の表なので，p は以下の
m
p̄ := (5.1.10)
n
くらいだろう，と考えたい．問題は，真の p の値が，上の p̄ の周りにどのくらいふらついて分布しているのか，と
いうことだ．以下のように考える．
n 回中の表の回数 X は二項分布に従う確率変数で，その確率分布は
( )
n m
P [X = m] = p (1 − p)n−m (5.1.11)
m
∑n
で与えられるはずだ．ところが，この「j 回目に表なら 1, 裏なら 0」という確率変数を Xj とすると，X = j=1 Xj
と書ける．更に Xj は独立同分布なので，n が十分に大きいなら中心極限定理により

X − pn
Z=√ (5.1.12)
np(1 − p)

は標準正規分布と思って良い．
（元々が二項分布なので，パラメーターは一個 p だけ．従って，分散も p の関数とし
て決まっているのがミソ．
）
従って，信頼区間 95% で議論するなら，

|m − pn|
|Z| < 1.96 つまり √ < 1.96 (5.1.13)
np(1 − p)

となるような p の範囲が求めるもの，ということになる．
（今は m は n 回投げたあとの結果として得られているの
で，上の不等式の未知数は p だけである．よって，原理的に上のは p について解ける．
）これをもう少しわかりやす
く書いておくと，
|p̄ − p| 1.96
√ < √ (5.1.14)
p(1 − p) n
となる．n が大きくなるに連れて，右辺がゼロに行く事，従って左辺もゼロに行く必要があるから， p の存在範囲
√
が p̄ の周りに絞られて行く事がわかる（存在範囲の幅は右辺から n のオーダーである）．
ただ，上の不等式を解くのは大変なので，分散については，標本のデータで置き換える事をよくやる．すなわち，
上の式を
1.96 √
|p̄ − p| < √ × p(1 − p) (5.1.15)
n
√ √
と書いてみると， p(1 − p) ≤ 1/2 であって，これは大して大きくない．しかも，1/ n のお陰で右辺はもともと
小さい．だから，右辺の p はその第零近似の p̄ で置き換えても，そんなに違いはないだろう（n が十分に大きけれ
ばこれは正当化できる）．ということで，
√
p̄(1 − p̄)
|p − p̄| < 1.96 × (5.1.16)
n
としてしまうのが一般的である．

5.1.4 比率の検定（二項分布を仮定）

同じようなノリであるが，もう一個．先の小節と同じ状況で，今度は p = 0.5 であるか否か（コインがイカサマ

か？），などを考えたい．つまり，帰無仮説  H0 : p = p0 （p0 は特定の値）を検定したい．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 32

考え方は平均に関する場合と同じである．H0 が正しいのであれば，
X − np0 p̄ − p0 √
Z=√ =√ × n (5.1.17)
np0 (1 − p0 ) p0 (1 − p0 )
は（n が大きい時に）標準正規分布に従うはずである．従って，

(a) 両側検定．H1 : p ̸= p0 を対立仮説にした場合は，

|p̄ − p0 | √
|Z| > 1.96 つまり √ × n > 1.96 (5.1.18)
p0 (1 − p0 )
ならば H0 を棄却して，p ̸= p0 と結論する．また

(b) 片側検定．H1 : p > p0 を対立仮説にした場合は，

p̄ − p0 √
Z > 1.65 つまり √ × n > 1.65 (5.1.19)
p0 (1 − p0 )
ならば H0 を棄却して，p > p0 と結論する．さらに，

(c) 片側検定．H1 : p < p0 を対立仮説にした場合は，

p̄ − p0 √
Z < −1.65 つまり √ × n < −1.65 (5.1.20)
p0 (1 − p0 )
ならば H0 を棄却して，p < p0 と結論する．

5.1.5 適合度の検定（大標本）

（状況）サイコロを n 回投げたら，j の目のでた回数が nj になった（j = 1, 2, . . . , 6）．これから（たとえば）こ

のサイコロがイカサマであるかどうか判断したい．より一般には，j の目が出る確率 pj が特定の値 p0j であると思っ
て良いか検定したい．
（先の小節では結果が 2 通りしかない場合（コインなげ）を考えたが，この小節では結果がサ
イコロのように 3 通り以上ある場合を考える．
）

（解法）仮説「H0 : j の目の出る確率 pj は p0j である（j = 1, 2, . . . , 6）」を検定する．

この仮定の下で，j の目の出る回数を Xj とする．Xj は確率変数であるが，仮定により，その期待値は npj であ
る．しかし，実際には nj 回が観測された．この差 npj − nj から，pj についての情報を得たい訳だ．
さて，もし仮説 H0 が正しいとき，大標本では，
∑6
(nj − np0j )2
2
X := (5.1.21)
j=1
np0j

の分布は，自由度 (6 − 1) = 5 の χ2 -分布というものに近づく（教科書 2.4b；ただし，そこでは正規分布の話をして

いるが，ここでは大標本であることから，nj の分布を正規分布と近似して良い，と考えて議論する）．
もちろん，X 2 の値が大きければ大きいほど，
（nj と np0j の差が大きいので）元の仮説がウソの可能性が高い．従っ
て，いつもの検定のノリで，
X 2 > χ26−1 (0.05) (5.1.22)
ならば，確率 5% 程度で起こらない事が起こってしまっていると考えて，もとの仮説 H0 を棄却する．
χ2 -分布については，今学期の最後の方で回帰分析というのをやる場合にもっと詳しくやるので，ここではこのく
らいにしておきましょう．

5.2 2 標本問題（自由度大）
（この節は教科書の 3.3 節（の一部）に相当する．
）
この節で考えるのは，
「2 標本問題」と呼ばれるものである．でもこれは本当は「二母集団問題」と言った方が良
いように思う（理由はすぐ後に）．
「比率の差の推測」が一番わかりやすいと思うので，それからやります．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 33

5.2.1 比率の差の推定（二項分布を仮定）

（この節は教科書 3.3b の前半）

（状況）コインが 2 枚ある（10 円玉と 100 円玉など）．片方のコインを n1 回なげたら，表が n1g 回でた．もう

一つのコインを n2 回投げたら，n2g 回表がでた．これらのコインが表を出す確率に差はあるだろうか？
（状況 ′ ）二つの母集団 Π1 , Π2 があり，それぞれのメンバーは 2 種類に別れている（「良い」メンバーと「悪い」
メンバーなど）．j = 1, 2 に対して Πj から nj 個のメンバーを取り出してみたところ，それぞれ njg 個が「良い」メ
ンバーであった．元々の母集団での「良い」メンバーの比率 pj に差があるかどうか，考えよ．
（新薬の治験19 ）ある病気に対する新薬の候補がある．これが従来の薬よりも効果があるのか，確かめるために，
患者を 2 グループ（n1 人と n2 人）に分けて，グループ 1 には旧来の薬，グループ 2 には新薬候補を投与した．そ
の結果，グループ 1 では m1 人，グループ 2 では m2 人の病気が治った．二つのグループの病気の深刻さは同じく
らいだったとして，新薬候補が本当に旧薬よりも効果があるのか否かを判断せよ．

（解法 0）別に差などといわなくても，それぞれの母集団について，前節のやり方で推定を行い，p1 と p2 の 95%

信頼区間を求める．両者が重なってなければ差があると思うし，重なってたら差は（それほど）ないと思う．
このやり方は決して悪いものではないが，折角，二つのデータがあるのにそれを 100% 活かし切っていない感じ
が残る．そこで，もう少し良いやり方として，以下の解法を考える．

このような結果を整理するには，以下のような 2 × 2 分割表を用いるのが便利である．データの整理のためにも，
まずは分割表を書く事をお勧めする．

良い 悪い 合計
母集団 1 n1g n1b n1 = n1g + n1b
母集団 2 n2g n2b n2 = n2g + n2b
合計 mg = n1g + n2g mb = n1b + n2b n = n1 + n2

（解法）データから得られる pj の第零近似としては
njg
p̄j := (j = 1, 2) (5.2.1)
nj

があるが，大標本では中心極限定理から，これは（j = 1, 2 のそれぞれに対して）正規分布
( p (1 − p ) )
j j
N pj , (5.2.2)
nj

で近似できると考えられる．正規分布の差もまた正規分布になることを用いると，p̄1 − p̄2 の分布は

( p1 (1 − p1 ) p2 (1 − p2 ) )
N p1 − p2 , + (5.2.3)
n1 n2
で近似できるはずである（分散は和になった事に注意）．
あとはこれを標準正規分布になおして，今までのように議論する．つまり
(p̄1 − p̄2 ) − (p1 − p2 )
Z=√ (5.2.4)
p1 (1 − p1 ) p2 (1 − p2 )
+
n1 n2
の分布は，標準正規分布のはずである．よって，p1 − p2 の 95% 信頼区間は，上の Z が Z = 0 の周りに確率 0.95
で存在する部分，つまり
¯ ¯
¯ (p̄1 − p̄2 ) − (p1 − p2 ) ¯
|z| < 1.96 つまり √ < 1.96 (5.2.5)
p1 (1 − p1 ) p2 (1 − p2 )
+
n1 n2
19 実際の治験には条件を同じくするために非常に厳しい制約がある．特に二重盲検法と呼ばれる手法で，検査側の主観をできるだけ排除する

ことが行われる． （このような厳しい試験に通っていない自称「治療法」は信用しない方が無難であろう．）また，ある種の人体実験であるから，
非常に慎重に進める必要がある．この講義ではそのようなややこしい事はすべて無視して，統計をどう使うかだけをお話しする
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 34

という事になる．
実は 1 標本問題と違って，上の式は p1 − p2 だけの式にはなってくれないので，これだけでは情報不足である．仕
方ないので，普通は分母の pj を p̄j で置き換える（ここは前節でやった近似と全く同じノリである — 平均はちゃ
んと推測したいが，分散は近似値で誤摩化す）．結果として
¯ ¯
¯ (p̄1 − p̄2 ) − (p1 − p2 ) ¯
√ < 1.96 (5.2.6)
p̄1 (1 − p̄1 ) p̄2 (1 − p̄2 )
+
n1 n2
つまり √
p̄1 (1 − p̄1 ) p̄2 (1 − p̄2 )
(p1 − p2 ) = (p̄1 − p̄2 ) ± 1.96 × + (5.2.7)
n1 n2
というのが，p1 − p2 の 95% 信頼区間になる20 ．特にこの信頼区間にゼロが入っておれば，両者に差があるとは言
い切れない，と判断するのが無難であろう．
（これまで何回もくり返して来たように，だからといって「差がない」
という結論にもならない．
）

5.2.2 比率の差の検定（二項分布を仮定）

（この節は教科書 3.3b の後半）

（状況）前小節と同じ状況を考えるが，今度は H0 : p1 = p2 を帰無仮説として検定する事を考える．薬の治験の
場合なら，
「新薬には特に改善点はない」というのが H0 で，これを（本当は）否定したい訳だ．
（解法）H0 を仮定して，共通の pj を p と書くと，
(p̄1 − p̄2 )
Z=√ (1 (5.2.8)
1)
p(1 − p) +
n1 n2
が標準正規分布に従うはずなのである．またもや，分母の p がわからないのだが，この p の推定値としては 2 グルー
プを併せた場合の「良い」メンバーの数，つまり
n1g + n2g mg
p̄ = = (5.2.9)
n1 + n2 n
を使ってやろう．すると
(p̄1 − p̄2 )
Z′ = √ (1 (5.2.10)
1)
p̄(1 − p̄) +
n1 n2
が標準正規分布に近似的に従う，ということだ．後はこれまで通りに検定を行う．
両側検定（対立仮説が H1 : p1 ̸= p2 なら，|Z| > 1.96 で H0 を棄却する．つまり，
|p̄1 − p̄2 | (p̄1 − p̄2 )2
√ (1 > (1.96)2 ≈ 3.84
1)
(1 > 1.96 つまり (5.2.11)
1) p̄(1 − p̄)
p̄(1 − p̄) + n1
+
n2
n1 n2
ならば H0 を棄却する．なお，教科書には，この式を nj , njg などで書き直した式が (3.23) として載っているが，同
じ事である．
同様に，片側検定で対立仮説が H1 : p1 > p2 ならば，
p̄1 − p̄2
√ (1 > 1.65 (5.2.12)
1)
p̄(1 − p̄) +
n1 n2
の時に H0 を棄却する．対立仮説が H1 : p1 < p2 なら
p̄1 − p̄2
√ (1 < −1.65 (5.2.13)
1)
p̄(1 − p̄) +
n1 n2
の時に H0 を棄却する．
20 いうまでもなく，X = a ± b というのは，a − b ≤ X ≤ a + b だと読んで下さい
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 35

5.2.3 平均の差

（この節は教科書 3.3a）
この場合もやる事はほとんど同じである．時間の関係で触れられないかもしれないので，講義ノートには時間が
できたら書きます．

5.3 母集団が正規分布のとき（小標本でも）
さて，今までの節で見て来たのは，大標本（標本の大きさが大きい）場合であった．この場合，母集団の分布が何
であれ，大標本であることが原因して，標本平均や標本分散がまあまあ，良い分布で近似できることが使えた．そ
の結果，
（時には分散の方は近似を粗く誤摩化してでも）平均についてはそこそこ良い結果を得る事ができた．
ところが，世の中には大標本の問題だけがあるわけではない．いやむしろ，標本の大きさが小さい事の方が多い
（薬の治験だって，200 人，500 人と集められないこともある）．そんな場合にも何か言える事はないのだろうか？
それがこの節のテーマである．
ただし，小標本でものを言うには，母集団の分布について，かなりの仮定が必要である．なぜなら，小標本の場
合に成り立つ普遍的な極限定理などがないので，小標本のデータからもとを推測するのは（何らかの付加的仮定抜
きでは）不可能だからである．
そこで母集団について何らかの仮定をする事になるが，一番考えやすく，たくさんの情報が得られるのは母集団
が正規分布に従うときである．ので，この節では母集団が正規分布に従うときに限って，小標本のデータから何が
いえるかを考えて行く．

5.3.1 正規分布のいくつかの性質

一部は既に正規分布を学んだところで述べたが，大事な性質をまとめておこう．

• 独立な確率変数 Xj （j = 1, 2, . . . , n）が正規分布 N (µj , σj2 ) に従うとき，その和 Y = X1 + X2 + · · · + Xn は

N (µ, σ 2 ) に従う．ただし，µ = µ1 + µ2 + . . . + µn ，σ 2 = σ12 + σ22 + . . . + σn2 である．

• 独立な確率変数 Xj （j = 1, 2, . . . , n）が標準正規分布に従うとき，Y = X12 + X22 + . . . + Xn2 は自由度 n の

χ2 -分布に従う．Y の分布密度関数は

1 ( y )n/2−1
f (y) = e−y/2 (5.3.1)
2Γ(n/2) 2

である（y ≥ 0）．この性質は，実際に分布関数を積分して求めれば納得できる．なお，Y が自由度 n の χ2 分

布に従うとき，P [Y > C] = α となる C の値の事を χ2n−1 (α) で表す（上側 100α% 点，教科書 p.49）．

• X を標準正規分布，Y を自由度 k の χ2 -分布に従う確率変数，かつ，X, Y は独立とする．このとき，

X
T := √ (5.3.2)
Y /k

の分布を，自由度 k の t-分布という．実際に計算するとその分布密度は
(k + 1)
Γ ( x2 )−(k+1)/2
2
f (x) = √ (k) 1 + (5.3.3)
k
πk Γ
2
で与えられることがわかる．なお，P [|T | > C] = α となる C を tk (α) で表す．実際の値は分布表から求めら
れる．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 36

0.99 0.975 0.95 0.05 0.025 0.01

1 0.00 0.00 0.00 3.84 5.02 6.63
2 0.02 0.05 0.10 5.99 7.38 9.21
3 0.12 0.22 0.35 7.81 9.35 11.34
4 0.30 0.48 0.71 9.49 11.14 13.28
5 0.55 0.83 1.15 11.07 12.83 15.09
6 0.87 1.24 1.64 12.59 14.45 16.81
7 1.24 1.69 2.17 14.07 16.01 18.48
8 1.65 2.18 2.73 15.51 17.53 20.09
9 2.09 2.70 3.33 16.92 19.02 21.67
10 2.56 3.25 3.94 18.31 20 48 23.21

表 1: χ2n (α) の値．縦の列が自由度 n，横の列が α である．学期始めに紹介した，服部氏の著作から引用．

• X1 , X2 , . . . , Xn を，同じ正規分布 N (µ, σ 2 ) に従う互いに独立な確率変数とする．µ̄ をこの n 個のデータの標

本平均，σ̄ を標本標準偏差とする．このとき，
√ (µ̄ − µ)
T := n−1 (5.3.4)
σ̄
は自由度 (n − 1) の t-分布に従う．

• X1 , X2 , . . . , Xn を，同じ正規分布 N (µ, σ 2 ) に従う互いに独立な確率変数とする．µ̄ をこの n 個のデータの標

本平均，V̄ を標本分散，σ̄ を標本標準偏差とする．このとき，

σ̄ 2 V̄
χ2 := 2
= （ここで V = σ 2 は母集団の分散） (5.3.5)
σ V
は自由度 (n − 1) の χ2 -分布に従う．

これらの性質は，具体的に計算する事で確かめられる．
なお，教科書では敢えて使っていないが，データを扱う際には，標本分散だけでなく不偏分散と呼ばれる以下の
量を用いることがある：
1 ∑
n
V̄不偏 := (xj − µ̄)2 (5.3.6)
n − 1 j=1

（通常の標本分散と異なり，(n − 1) で割っている）．これを用いると，上の T は
√ √
(µ̄ − µ) n
T := n − 1 = (µ̄ − µ) (5.3.7)
σ̄ V̄不偏

とも書ける（両方の表式が等しい事は定義からすぐに確かめられる）．同様に，上の χ2 は

σ̄ 2 V̄ V
χ2 := = = (n − 1) 不偏 (5.3.8)
σ2 V V
とも書ける．

教科書には χ2n−1 (0.05) と χ2n−1 (0.01) しか載っていないので，参考までに他の値も表 5.3.1 に挙げておく．もちろ

ん，このような値を覚える必要は全くない．

5.3.2 1 標本問題の平均の推定・検定

では，上の知識をつかって，一標本問題を考えて行こう．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 37

（問題 1）母集団は正規分布に従う事はわかっているが，その平均 µ と分散 σ が未知である．この時に，n 個か

らなる標本をとると，その標本平均は µ̄，標本標準偏差は σ̄ であった．これから母集団の平均を推測せよ．
（解法）前小節でまとめた T 分布の性質をモロに用いる．それによれば，
√ (µ̄ − µ) µ̄ − µ
T := n−1 = √ (5.3.9)
σ̄ σ̄/ n − 1

は自由度 n − 1 の t-分布に従うのだった．従って，これまでと全く同じノリで，|T | < tn−1 (0.05) となる T を満た

すような µ の範囲が 95% 信頼区間ということになる．つまり，
σ̄
|µ − µ̄| < tn−1 (0.05) × √ (5.3.10)
n−1
が µ の 95% 信頼区間である．tn−1 (0.05) の値は数表になっているから，実際の問題を解く時には，その数表を用い
れば良い（教科書の最後にもある）．

（問題 2）問題 1 と同様の状況を考えるが，今度は µ = µ0 （µ0 は適当に推測した値）であるか否かを検定せよ．

（解法）帰無仮説は H0 : µ = µ0 とする．検定に際して用いるのは，上と同じく，
µ̄ − µ0
T = √ (5.3.11)
σ̄/ n − 1

である（ただし，H0 を仮定しているので，µ は µ0 になってる）．この T は仮説 H0 が正しいならば自由度 (n − 1)

の t-分布に従うはずなので，あとは対立仮説によって以下のように議論する．
（対立仮説が H1 : µ ̸= µ0 の時）この場合は普通に

|µ̄ − µ0 |
|T | > tn−1 (0.05), つまり √ > tn−1 (0.05) ならば H0 を棄却 (5.3.12)
σ̄/ n − 1

する．
（対立仮説が H1 : µ > µ0 の時）この場合は片側検定である．
（片側 5% ということは両側に直せば 10% なので）
µ̄ − µ0
T > tn−1 (0.10), つまり √ > tn−1 (0.10) ならば H0 を棄却 (5.3.13)
σ̄/ n − 1

する．
（対立仮説が H1 : µ < µ0 の時）この場合は片側検定で，上の正負逆バージョンであるから，
µ̄ − µ0
T < −tn−1 (0.10), つまり √ < −tn−1 (0.10) ならば H0 を棄却 (5.3.14)
σ̄/ n − 1

する．
上の何れの場合も，棄却できない場合は「何も言えない」という結論になるのはいままでと同じ．なお，このよ
うな検定を t-検定という．

5.3.3 1 標本問題の分散の推定・検定

この内容は教科書には無いようだが，話を完結させるために述べておく．

では，上の知識をつかって，一標本問題を考えて行こう．
（問題 1′ ）母集団は正規分布に従う事はわかっているが，その平均 µ と分散 σ が未知である．この時に，n 個か
らなる標本をとると，その標本平均は µ̄，標本標準偏差は σ̄ であった．これから母集団の分散を推測せよ．

（解法）この問題は先の小節とほとんど同じだが，平均でなく分散を調べてほしい，というところが異なる．こ
れは当然，χ2 -分布を使って解くべきだ．5.3.1 節のまとめによると

σ̄ 2 V̄
χ2 := = (5.3.15)
σ2 V
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 38

は自由度 (n − 1) の χ2 -分布に従う．上の χ2 には未知数は V （または σ ）だけしか入っていない．だから，自由度

(n − 1) の χ2 が確率 0.95 以上で存在する範囲を求めれば，V = σ 2 の存在範囲がわかるはずである．つまり，V の
95% 信頼区間は
V̄
χ2n−1 (0.975) <
< χ2n−1 (0.025) (5.3.16)
V
を満たすような V の区間である（95% 信頼区間という事は，χ2 が余りにも小さすぎるのと大きすぎるのを排除す
べし，ということなので，両側から 0.025 ずつを避けた）．

分散の検定も同様に行う．基本的なアイディアはこれまでと同じ，また χ2 -分布を使う所は上の推定と同じなの
で，詳細は省略する．

5.3.4 2 標本問題

（問題）母集団が二つある．ともに正規母集団に従うが，その平均や分散はわかっていない．ただし，分散は二
つの母集団で等しいと仮定する．つまり，二つの母集団は N (µ1 , σ 2 ) と N (µ2 , σ 2 ) に従い，µ1 , µ2 , σ 2 が未知数であ
る場合を考える．
さて，このときに母集団 1 から n1 個の標本をとったら，その標本平均が µ̄1 ，標本標準偏差が σ̄1 であったとしよ
う．また，母集団 2 から n2 個の標本をとると，その標本平均が µ̄2 ，標本標準偏差が σ̄2 であったとしよう．このと
きに，母集団平均の差 µ1 − µ2 を推測したい．

（解法）ノリは１標本問題とほとんど同じであるが，うまく t-分布に従う統計量を作る（見つける）のがキーで
ある．
仮定から，µ̄1 の分布は N (µ1 , σ 2 /n1 ) に従うはずである．同様に，µ̄2 の分布は N (µ2 , σ 2 /n2 ) に従うはずである．
従って，正規分布の足し算，引き算の性質を思い出すと，µ̄1 − mu
¯ 2 は N (µ1 − µ2 , σ 2 /n1 + σ 2 /n2 ) に従うはずだ．
これから，標準正規分布に従う量として

(µ̄1 − µ̄2 ) − (µ1 − µ2 )

Z= √ (5.3.17)
1 1
+ σ
n1 n2

が考えられる．ところが，この量には未知数として µ1 − µ2 のみならず σ が入っていて，これだけでは扱えない．

仕方ないので，σ 2 をその推定量
n1 σ̄12 + n2 σ̄22
V = (5.3.18)
n1 + n2 − 2
で置き換えて
(µ̄1 − µ̄2 ) − (µ1 − µ2 )
T = √ (5.3.19)
1 1 √
+ V
n1 n2
を考えよう．この T 中には未知数は µ1 − µ2 しかないから，この T の分布がわかれば，これまでと同じノリで推定
や検定を行える．
さて，この T の分布は正規分布ではなく，自由度 (n1 + n2 − 2) の t-分布 になることがわかる（ノートを書く時
間がなかった．教科書 p.88 の下半分を参照のこと）．あとはこれまでと同じく，t-推定を行えばよい．また，元の
問題が µ1 = µ2 を検定する問題なら，t-検定を行えば良い．
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 39

6 回帰分析の初歩
最後に，
（工学部なら実験解析等で散々使ってるはずの）回帰分析に簡単に触れる．

6.1 単回帰
（問題 1）ある物質の電気抵抗を測りたい．オームの法則から，電圧と電流には V = IR の比例関係があるはず
である．電圧をいろいろ変えて測定したところ，全部で n 個の電圧電流のデータ (V1 , I1 ), (V2 , I2 ), . . . , (Vn , In ) が取
れた．このデータから抵抗 R を決めよ（できるだけ信頼できる値を出せ）．
（問題 1′ ）電流と電圧に限らず，二つの物理量 (x, y) の間に線型な関係（一次関数の関係）y = ax + b（a, b は定
数）があると期待されている．実際に n 個のデータが (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) と得られた場合，これらから定
数 a, b をできるだけうまく定めよ．
（問題 1 は b = 0 の特殊な場合であった．
）

このような状況は皆さん，中学（小学校？）から何回も遭遇した事と思う．
（電流と電圧に限らず，塩の溶解度と
温度の関係だか，いろいろ．
）このような実験の場合，大抵グラフ用紙に測定値を書き込んで，それらの点を「うま
く結ぶように」直線を引け，と習ったと思うが，それをもうちょっときちんとやろうということである．
（もちろん，
大学での実験では既に「最小二乗法」などを用いる事を習っているだろうが，その理論的根拠を確認しておきたい
ということ．
）
さて，実は上の問い，重要な仮定を書いていなかった．その仮定とは

n 個のデータのそれぞれの誤差は，同じ正規分布にしたがって分布するだろう

という事である．より正確に言うと．

n 個の x1 , x2 , . . . , xn は，それぞれ真の値からバラツくはず（測定誤差）だが，そのバラツキは，n 個の
データが同じ正規分布（平均はゼロ）N (0, σx2 ) にしたがって分布するだろう．また，n 個の y1 , y2 , . . . , yn
も，それぞれ真の値からバラツくはず（測定誤差）だが，そのバラツキは，n 個のデータが同じ正規分
布 N (0, σy2 ) にしたがって分布するだろう．ただし，σx , σy の値はよくわからない．

ということである．
以下，このような状況で，どのように a, b を決めるべきかを考える．
まず，本来，測定誤差がなければ，n 個のデータは線型の関係を厳密に満たすはずであった：

yj = axj + bj または yj − (axj + b) = 0 (j = 1, 2, . . . , n) (6.1.1)

しかし，実際には測定誤差があるため，上の関係式は近似的にしかなりたたない．そのずれを ϵj と書いてみよう：

ϵj = yj − (axj + b) (6.1.2)

上の仮定によると yj , xj はそれぞれが平均ゼロの正規分布に従うので，上の特別な組み合わせ yj − (axj + b) も

平均ゼロの正規分布に従うはずだ．つまり，上の ϵj は平均ゼロの正規分布（分散の値はわからない）に従っている
はずである．話を具体的にするため，この正規分布を N (0, σ 2 ) と書くことにする．
さて，我々の目的は「正しい」係数 a, b を決める事だった．その方法を考えるため，ここで敢えて正しくない（つ
まり，本来成り立っているはずの線型関係からズレた係数の）a, b を考えてみる．つまり，本来の関係は y = ax + b
なのだが，これを敢えて間違った係数を用いて y = a′ x + b′ だと思ってみるのだ．
我々はこの間違った係数がどのくらい間違っているかわからないから，

ϵ′j := yj − (a′ xj + b′ ) (6.1.3)

を考えたくなる．これは係数 a, b を用いて書き直すと

ϵ′j = yj − (a′ xj + b′ ) = yj − (axj + b) − (a′ − a)xj − (b′ − b) = ϵj − (a′ − a)xj − (b′ − b) (6.1.4)
数理統計学 (電情＋医)/2 （原； http://www2.math.kyushu-u.ac.jp/˜hara/lectures/lectures-j.html） 40

となっている．つまり，間違った係数を用いて計算した誤差 ϵ′j は ϵj から −(a′ − a)xj − (b′ − b) だけズレている訳だ．

さて，ここで間違った係数と正しい係数でそれぞれ，誤差の二乗の和（の期待値）を考えてみよう．正しい係数
の場合の誤差は ϵj そのもので，これは N (0, σ 2 ) に従う．従って，その二乗の期待値は
〈∑ 〉 ∑n 〈 〉
n
( )2 ( )2
ϵj = ϵj = nσ 2 (6.1.5)
j=1 j=1

である．
一方，間違った係数を使った場合の誤差は ϵ′j だから，その二乗の期待値は
〈∑ 〉 ∑n 〈 〉 ∑n 〈 〉
n
( ′ )2 ( ′ )2 { ′ ′
}2
ϵj = ϵj = ϵj − (a − a)xj − (b − b) (6.1.6)
j=1 j=1 j=1

となる．ここで xj が実は誤差を含んでいて確定しない量なのだが，近似的にその値を真の値で置き換えて考えると
（真の値を x0j と書く），
n 〈
∑ 〉 ∑n 〈 〉 ∑
( )2 { ′ }2 n
{ ′ }2
= ϵj + (a − a)xj + (b′ − b) = nσ 2 + (a − a)xj + (b′ − b) (6.1.7)
j=1 j=1 j=1

となる．右辺の nσ 2 は正しい係数と同じだが，右辺第 2 項がついている．しかもこの第 2 項は二乗の和だから非負

であって，かつ，a = a′ , b = b′ の時に最低値 0 をとる．
すなわち，間違った値で計算した結果は，かならず正しい値での計算結果以上である．逆にいうと，正しい値を
〈∑ 〉
n
( ′ )2
知りたければ， ϵj を最小にするようにa′ , b′ を決めれば良い．これが最小二乗法の考え方である．
j=1
具体的な計算は以下のように行う．a, b は最終的には「正しい」値にしたいが，今暫くは未知の数だとしておこ
う．我々の目的は
∑
n
{ }2
f (a, b) := yj − (axj + b) (6.1.8)
j=1

を最小にするような a, b を求める事である（最小にするような a, b が「正しい」値のはず）．これは単に上の 2 変

数函数の極値問題であって，簡単に解ける．
答えを書くと
σ̄xy
a= , b = ȳ − ax̄ (6.1.9)
σ̄x2
となる．ここで
1∑ 1∑
n n
σ̄x2 := (xj − x̄)2 , σ̄xy := (xj − x̄)(yj − ȳ), (6.1.10)
n j=1 n j=1

は xj の標本分散，x, y の標本共分散である．